徐騰飛 許春安
摘 要:為提高對(duì)短期負(fù)荷的預(yù)測(cè)精度,提出基于小波變換,并加入電價(jià)因子構(gòu)建MLP神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷進(jìn)行短期預(yù)測(cè)的方法。首先通過小波變換將原始負(fù)荷、電價(jià)序列進(jìn)行分解,得到高、低頻率的時(shí)間序列帶;其次分別利用高頻、低頻電價(jià)序列對(duì)高頻、低頻負(fù)荷序列進(jìn)行MLP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè);最后,將預(yù)測(cè)的高頻、低頻負(fù)荷值通過小波變換,重構(gòu)完整的負(fù)荷預(yù)測(cè)值。采用美國(guó)電力聯(lián)盟實(shí)例對(duì)該方法進(jìn)行驗(yàn)證,并與含電價(jià)因子的MLP網(wǎng)絡(luò)預(yù)測(cè)法、經(jīng)典MLP網(wǎng)絡(luò)預(yù)測(cè)法,以及不含電價(jià)因子的CWT-MLP網(wǎng)絡(luò)預(yù)測(cè)法預(yù)測(cè)效果進(jìn)行比較。結(jié)果證明,含有電價(jià)因子,并結(jié)合小波與MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型能夠豐富數(shù)據(jù)信息,提高負(fù)荷預(yù)測(cè)精度。
關(guān)鍵詞:小波變換;MLP神經(jīng)網(wǎng)絡(luò);電價(jià)因子;電力負(fù)荷預(yù)測(cè)
DOI:10. 11907/rjdk. 182022
中圖分類號(hào):TP319文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1672-7800(2019)003-0143-05
0 引言
不具備大規(guī)模儲(chǔ)備能力的電力商品,在社會(huì)生產(chǎn)及生活中發(fā)揮著重要作用。我國(guó)頒布的“工業(yè)4.0”白皮書,明確指出與構(gòu)建工業(yè)強(qiáng)國(guó)息息相關(guān)的電力供給側(cè)改革的必要性[1-2]。在電力行業(yè)中,由于民營(yíng)企業(yè)的參與,推動(dòng)了蘇州、成都等地開展電力拍賣試點(diǎn),因而提高了對(duì)電力、電價(jià)及負(fù)荷預(yù)測(cè)的技術(shù)需求[3]。
進(jìn)行負(fù)荷預(yù)測(cè)的經(jīng)典方法有灰色模型、時(shí)間序列及模糊預(yù)測(cè)等,雖然這些方法運(yùn)用較為方便,但預(yù)測(cè)效果不佳,無法滿足低穩(wěn)態(tài)負(fù)荷預(yù)測(cè)的要求[4-6]。近年來隨著人工智能的發(fā)展,憑借強(qiáng)大的計(jì)算與學(xué)習(xí)能力,神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的應(yīng)用出現(xiàn)了爆發(fā)式增長(zhǎng)。
神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)是依據(jù)神經(jīng)元的工作機(jī)理,通過模仿神經(jīng)網(wǎng)絡(luò)傳播行為,利用非線性輸入與輸出的映射能力,設(shè)定神經(jīng)網(wǎng)絡(luò)內(nèi)部的鏈接權(quán)重、路徑等,實(shí)現(xiàn)模型定型,并且不斷進(jìn)行學(xué)習(xí)與強(qiáng)化[7-8]。在短期負(fù)荷預(yù)測(cè)發(fā)展過程中,神經(jīng)網(wǎng)絡(luò)通過對(duì)歷史負(fù)荷數(shù)據(jù)的大量訓(xùn)練,設(shè)定層數(shù)、閾值與調(diào)節(jié)參數(shù),證明了經(jīng)典MLP網(wǎng)絡(luò)預(yù)測(cè)的可行性,但是預(yù)測(cè)精度較低[9]。對(duì)于考慮負(fù)荷歷史數(shù)據(jù)改進(jìn)的MLP網(wǎng)絡(luò),雖然預(yù)測(cè)精度略有提高,但是需要確定的參數(shù)數(shù)量巨大,人為調(diào)節(jié)因素過多,花費(fèi)時(shí)間較長(zhǎng),因此未得到廣泛應(yīng)用[10]。MLP網(wǎng)絡(luò)在加入電價(jià)因素、氣象因素后,研究電價(jià)與負(fù)荷的相關(guān)關(guān)系與變化規(guī)律,證明電價(jià)、負(fù)荷之間是正相關(guān),且加入電價(jià)因素后預(yù)測(cè)精度高于經(jīng)典MLP網(wǎng)絡(luò)預(yù)測(cè)精度[11-12]。然而,若未對(duì)弱相關(guān)因素進(jìn)行篩選與去雜,導(dǎo)致單一誤差被寫進(jìn)負(fù)荷學(xué)習(xí)中,將使其精度受到干擾,并且降低學(xué)習(xí)速率。在雜質(zhì)分離過程中,小波分析優(yōu)勢(shì)十分明顯,可利用三角函數(shù)信息的相位與幅度分解原始序列,有效遴選雜質(zhì)信息(高頻信息)和趨勢(shì)信息(低頻信息)[13-14]。利用神經(jīng)網(wǎng)絡(luò)分別對(duì)兩種頻帶進(jìn)行分析,能夠在一定程度上提高預(yù)測(cè)效度,但也會(huì)出現(xiàn)偏置趨向,使預(yù)測(cè)值整體偏高或偏低[15-16]。
本文在負(fù)荷預(yù)測(cè)方法中,利用Haar小波作為變換基,憑借其在處理非平穩(wěn)信號(hào)中,對(duì)于頻域、時(shí)域中序列值良好的刻畫能力,將電價(jià)、負(fù)荷的概貌、細(xì)節(jié)序列進(jìn)行集中解釋;利用MLP神經(jīng)網(wǎng)絡(luò)的非線性映射能力、自學(xué)習(xí)和自適應(yīng)能力以及泛化能力,提高模型豐裕度。本文最主要的貢獻(xiàn)一方面是在模型中引入電價(jià)因子時(shí),利用小波分解去除雜質(zhì),使用相對(duì)干凈的訓(xùn)練值,參數(shù)調(diào)節(jié)簡(jiǎn)單、快捷,得到的結(jié)果更優(yōu);另一方面基于神經(jīng)網(wǎng)絡(luò)對(duì)雜質(zhì)識(shí)別能力強(qiáng)的優(yōu)點(diǎn),構(gòu)建雜質(zhì)序列,從而適應(yīng)小波重構(gòu)要求,降低預(yù)測(cè)值偏置情況,提高預(yù)測(cè)精度。
1 理論基礎(chǔ)
1.1 小波變換理論
小波變換建立于短時(shí)傅里葉變換基礎(chǔ)之上,可克服其窗口固定性帶來的問題,提供可隨頻率變化的動(dòng)態(tài)窗口,通過對(duì)時(shí)域頻率的局部分析,利用平移、伸縮運(yùn)算對(duì)時(shí)序進(jìn)行多尺度細(xì)化,實(shí)現(xiàn)對(duì)時(shí)序高頻、低頻的細(xì)分,從而達(dá)到時(shí)序分析的要求,可以對(duì)任何細(xì)節(jié)進(jìn)行聚焦分析[17-18]。
本文在母小波選取上,考慮需要計(jì)算簡(jiǎn)單且整數(shù)位移存在正交,因此選用Haar小波作為函數(shù)基。在分解層數(shù)問題上,由于層數(shù)分解程度越高,其分解誤差系數(shù)越復(fù)雜,因此分解層數(shù)不宜過高,在文獻(xiàn)[14]中論證Haar小波分解層數(shù)為一層。
1.2 MLP神經(jīng)網(wǎng)絡(luò)模型理論
神經(jīng)網(wǎng)絡(luò)是由N個(gè)簡(jiǎn)單處理單元通過彼此相連而形成的相互關(guān)系的網(wǎng)絡(luò)系統(tǒng),該系統(tǒng)憑借輸入的外部信息動(dòng)態(tài)響應(yīng)進(jìn)行信息處理。人工神經(jīng)網(wǎng)絡(luò)是以神經(jīng)元(處理單元)為節(jié)點(diǎn),有向加權(quán)的弧連接起來的有向圖。如圖1所示,每個(gè)圓圈代表一個(gè)神經(jīng)元,每個(gè)神經(jīng)元之間連線都是有加權(quán)系數(shù)的通道,可加強(qiáng)或減弱刺激,并且權(quán)值會(huì)根據(jù)規(guī)則與學(xué)習(xí)算法自動(dòng)進(jìn)行修改[19]。人工神經(jīng)網(wǎng)絡(luò)包括3方面內(nèi)容:神經(jīng)元激活函數(shù)、神經(jīng)元鏈接形式(是否反饋與全通道)與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則。神經(jīng)元激活函數(shù)由線性Log-Sigmoid模型輸出層構(gòu)成,但由于神經(jīng)網(wǎng)絡(luò)的激活層數(shù)設(shè)定問題為NP問題,暫考慮采納現(xiàn)有研究[20]。MLP神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速率高、適應(yīng)性好以及可進(jìn)行大規(guī)模并行處理等優(yōu)勢(shì),因此被應(yīng)用于電價(jià)與負(fù)荷預(yù)測(cè)。輸入信號(hào)的正向傳播,將產(chǎn)生的誤差反向分?jǐn)偨o各層單元,進(jìn)行反向權(quán)值修正,且輸出值需要經(jīng)過閾值檢驗(yàn)[15]。MLP網(wǎng)絡(luò)有N個(gè)神經(jīng)元,隱含層有P個(gè)神經(jīng)元,輸出層有Q個(gè)神經(jīng)元,并定義輸入向量集合X,隱含層輸入向量集合Hi,隱含層輸出向量集合Ho,輸出層輸入向量集合Yi,輸出層輸出向量集合Yo,期望輸出向量集合Do,輸入層與隱藏層的連接權(quán)值WiK,隱含層與輸出層的連接權(quán)值Wjk,隱含層各神經(jīng)元閾值Bh,輸出層各神經(jīng)元閾值Bo,樣本數(shù)據(jù)個(gè)數(shù)K,激活函數(shù)[f(?)]。圖1展示了簡(jiǎn)單的有監(jiān)督的MLP神經(jīng)網(wǎng)絡(luò)。
(3)計(jì)算隱含層各層神經(jīng)元的輸入和輸出,利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出,計(jì)算誤差函數(shù)對(duì)輸出層各神經(jīng)元的偏導(dǎo)數(shù)。利用隱含層到輸出層的連接權(quán)值、隱含層各神經(jīng)元偏導(dǎo)數(shù)、隱含層輸出計(jì)算誤差函數(shù)對(duì)全局誤差進(jìn)行計(jì)算,判斷誤差是否達(dá)到預(yù)設(shè)精度,否則進(jìn)行下一輪學(xué)習(xí)。
1.3 電價(jià)因子添加、去雜與偏度計(jì)算方法
現(xiàn)有研究證明了負(fù)荷與電價(jià)的強(qiáng)相關(guān)性,因此電價(jià)可以引入到負(fù)荷預(yù)測(cè)中作為因子。小波變換將電價(jià)時(shí)序分解為低頻和高頻兩個(gè)序列帶,低頻包含絕大多數(shù)規(guī)律信息,而高頻包含影響電價(jià)的單一偶然因素,負(fù)荷分解也是如此。例如,天氣變化持續(xù)時(shí)間短、不規(guī)律,在負(fù)荷或電價(jià)序列中是單一影響,但在電價(jià)與負(fù)荷的同步訓(xùn)練中屬于同一種影響因子。在負(fù)荷的低頻規(guī)律序列預(yù)測(cè)中,添加電價(jià)因子方法為:將電價(jià)低頻序列G作為輸入,將負(fù)荷低頻序列W作為輸出期望,進(jìn)行MLP網(wǎng)絡(luò)學(xué)習(xí)。
在負(fù)荷的高頻規(guī)律序列預(yù)測(cè)中,去雜質(zhì)的方法為:將電價(jià)高頻序列R作為輸入,將負(fù)荷高頻序列S作為輸出期望,進(jìn)行MLP網(wǎng)絡(luò)學(xué)習(xí)。將序列G與R作為輸入X集合是輸入訓(xùn)練向量,將W與R作為期望D集合是判斷目標(biāo)值。在神經(jīng)網(wǎng)絡(luò)隱含層數(shù)確立問題上,大量研究顯示在二或三層能夠較好地達(dá)到訓(xùn)練與預(yù)測(cè)要求,但是目前屬于NP問題。本文在實(shí)證中將二、三層訓(xùn)練層級(jí)進(jìn)行對(duì)比,選定預(yù)測(cè)值效果較優(yōu)的,因此存在電價(jià)與負(fù)荷選擇層級(jí)不同的情況。
在預(yù)測(cè)數(shù)據(jù)準(zhǔn)確性衡量方面,本文除采用3個(gè)常規(guī)誤差率計(jì)算方法(絕對(duì)誤差、相對(duì)誤差與最大、最小誤差值)外,還采用新的偏度計(jì)算方法。定義U為預(yù)測(cè)值、V為真實(shí)值。偏度計(jì)算原理為:檢驗(yàn)誤差偏度絕對(duì)值占預(yù)測(cè)值比率的百分比。理論值出現(xiàn)5%的偏誤即認(rèn)為效果較差。
1.4 CWT-MLP網(wǎng)絡(luò)模型構(gòu)建
CWT-MLP網(wǎng)絡(luò)模型構(gòu)建步驟如下:
(1)預(yù)處理負(fù)荷,使負(fù)荷數(shù)值與電價(jià)的最大倍數(shù)差為10,目的為放大權(quán)重值與相關(guān)性系數(shù),并將負(fù)荷數(shù)值縮小1 000倍。
(2)對(duì)電價(jià)、負(fù)荷進(jìn)行相關(guān)性檢驗(yàn),若檢驗(yàn)通過,則分別將電價(jià)、負(fù)荷作小波Haar分解,分解為低頻、高頻兩個(gè)分帶;若不通過,則不能使用該模型(分解層數(shù)越高,誤差值越高)。
(3)檢驗(yàn)通過后,確立MLP神經(jīng)網(wǎng)絡(luò)的輸入、輸出向量。本文將電價(jià)分解出的低頻序列作為訓(xùn)練值,將負(fù)荷分解出的低頻序列作為輸出目標(biāo)值,擇優(yōu)選擇訓(xùn)練層級(jí),以此擬定模型參數(shù),輸出基于CWT-MLP神經(jīng)網(wǎng)絡(luò)負(fù)荷的低頻預(yù)測(cè)值。
(4)同步驟(3),將電價(jià)分解出的高頻序列作為訓(xùn)練值,將負(fù)荷分解的高頻序列作為輸出目標(biāo)值,輸出基于CWT-MLP神經(jīng)網(wǎng)絡(luò)負(fù)荷的高頻預(yù)測(cè)值。
(5)重構(gòu)序列。利用Haar小波對(duì)CWT-MLP神經(jīng)網(wǎng)絡(luò)負(fù)荷的低頻與高頻預(yù)測(cè)值進(jìn)行重構(gòu),得到負(fù)荷的完整信息預(yù)測(cè)值。
(6)將絕對(duì)誤差、相對(duì)誤差和定義偏度誤差作為考評(píng)維度,并將加入電價(jià)因子的CWT-MLP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)值與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)法、基于小波(CWT)與MLP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的預(yù)測(cè)效果進(jìn)行對(duì)比。
2 改進(jìn)CWT-MLP網(wǎng)絡(luò)模型運(yùn)用案例
本文采用美國(guó)PJM公司在2016-2017年度實(shí)際的電價(jià)與負(fù)荷數(shù)據(jù),具體如圖2所示。
對(duì)電價(jià)與負(fù)荷進(jìn)行相關(guān)性檢驗(yàn),這是進(jìn)行下一步的前提,盡管目前大多數(shù)學(xué)者默認(rèn)兩者具備強(qiáng)相關(guān)關(guān)系,本文仍進(jìn)行了相關(guān)性檢驗(yàn),并且支持正相關(guān)。運(yùn)用SAS軟件對(duì)案例數(shù)據(jù)進(jìn)行相關(guān)性檢驗(yàn),結(jié)果如表1所示。
分別將電價(jià)、負(fù)荷序列進(jìn)行Haar小波分解,得到低頻、高頻兩個(gè)序列,電價(jià)與負(fù)荷低頻序列見圖3,電價(jià)與負(fù)荷高頻序列見圖4。
運(yùn)用MLP神經(jīng)網(wǎng)絡(luò)分別對(duì)低頻、高頻序列建模模擬:將低頻的3個(gè)月電價(jià)序列作為訓(xùn)練集,將預(yù)處理后的低頻負(fù)荷序列(1個(gè)月)作為目標(biāo)集,進(jìn)行訓(xùn)練與模型定型,并計(jì)算預(yù)測(cè)輸出;將高頻的3個(gè)月電價(jià)序列作為訓(xùn)練集,將預(yù)處理后的高頻負(fù)荷序列(1個(gè)月)作為目標(biāo)集,進(jìn)行訓(xùn)練與模型定型,并計(jì)算預(yù)測(cè)輸出,同時(shí)與不含電價(jià)因子的小波CWT-MLP預(yù)測(cè)法(Load-CWT-MLP)進(jìn)行對(duì)比。表2為根據(jù)參數(shù)篩選中產(chǎn)生均方差最小的層數(shù)與參數(shù),輸出BP神經(jīng)網(wǎng)絡(luò)下低頻與高頻預(yù)測(cè)值。
將采用小波Haar重構(gòu)CWT-MLP網(wǎng)絡(luò)預(yù)測(cè)法、Load-CWT-MLP網(wǎng)絡(luò)預(yù)測(cè)法,以及經(jīng)典MLP網(wǎng)絡(luò)預(yù)測(cè)法的預(yù)測(cè)值與真實(shí)值進(jìn)行比較,如表3、圖5所示。
采用經(jīng)典MLP網(wǎng)絡(luò)預(yù)測(cè)法,表2顯示相對(duì)誤差為2.13%,絕對(duì)誤差達(dá)到3.96%,偏度誤差為1.91%,預(yù)測(cè)效果一般;表3顯示未引進(jìn)電價(jià)因子的小波CWT-MLP網(wǎng)絡(luò)周期性穩(wěn)定,但是低頻、高頻預(yù)測(cè)值在分解后進(jìn)行訓(xùn)練、預(yù)測(cè),使信息豐裕度不高、部分負(fù)荷信息丟失(分解層數(shù)越高,效果越差),導(dǎo)致絕對(duì)誤差高達(dá)5%,偏度誤差為3.58%,預(yù)測(cè)效果盡管能夠達(dá)到預(yù)測(cè)要求,但是精度大幅降低;本文構(gòu)建的正交Haar小波變換對(duì)電價(jià)、負(fù)荷分層,使用MLP神經(jīng)網(wǎng)絡(luò)對(duì)引進(jìn)電價(jià)因子的負(fù)荷分層進(jìn)行訓(xùn)練與預(yù)測(cè),并且經(jīng)MLP網(wǎng)絡(luò)學(xué)習(xí)去雜后,絕對(duì)誤差降至2.68%,而相對(duì)誤差及偏度誤差接近0.8%,在三者中預(yù)測(cè)效果最佳。
3 結(jié)論與展望
本文借助小波的分層,產(chǎn)生趨勢(shì)明顯的電價(jià)與負(fù)荷低頻序列,將電價(jià)低頻序列作為訓(xùn)練值、負(fù)荷低頻序列作為目標(biāo)值,以提高負(fù)荷低頻序列的信息豐裕度。MLP神經(jīng)網(wǎng)絡(luò)在高頻序列的訓(xùn)練中識(shí)別維度較高,去雜效果好,在小波重構(gòu)后,預(yù)測(cè)精度達(dá)到2.68%。在選取數(shù)據(jù)驗(yàn)證模型合理性過程中,采用含有較多節(jié)假日的11、12、1月份電價(jià)與負(fù)荷數(shù)據(jù),盡管實(shí)驗(yàn)效果較佳,但在出現(xiàn)負(fù)荷尖峰值時(shí)誤差較大。盡管在不考慮極端值的情況下(極端值平均化),絕對(duì)誤差可以降至1.93%,但鑒于負(fù)荷在節(jié)假日的極端值對(duì)于負(fù)荷預(yù)測(cè)的重要性,需要合理設(shè)置假日調(diào)節(jié)動(dòng)量系數(shù),以近一步提高預(yù)測(cè)精準(zhǔn)度。
參考文獻(xiàn):
[1] 石幫松,張靖. 多類型售電公司共存下競(jìng)價(jià)售電的市場(chǎng)均衡研究[J]. 中電力系統(tǒng)保護(hù)與控制,2018(46):62-67.
[2] 劉國(guó)輝,楊建廈. 電價(jià)預(yù)測(cè)技術(shù)綜述[J]. 江西能源,2009(2):4-8.
[3] 曾鳴,孫昕,張啟平. 電力市場(chǎng)交易與電價(jià)理論及其應(yīng)用[M]. 北京:中國(guó)電力出版社,2003.
[4] 葛少云,賈鷗莎,劉洪. 基于遺傳灰色神經(jīng)網(wǎng)絡(luò)模型的實(shí)時(shí)電價(jià)條件下短期電力負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù),2012,36(1):224-229.
[5] 崔和瑞,彭旭. 基于ARIMAX模型的夏季短期電力負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制,2015,43(4):108-114.
[6] 嚴(yán)華,吳捷,馬志強(qiáng),等. 模糊集理論在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 電力系統(tǒng)自動(dòng)化,2000(10):67-72.
[7] 劉宇,郭林,陽鋒,等. 基于改進(jìn)灰色理論的中長(zhǎng)期負(fù)荷預(yù)測(cè)方法研究[J]. 電網(wǎng)與清潔能源,2016,32(8):51-61.
[8] 杜莉,張建軍. 神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究[J]. 計(jì)算機(jī)仿真,2011,28(10):297-300.
[9] DANESHDOOST M,LOTFALIAN M,BUMROONGGIT G,et al. Neural network with fuzzy set-based classification for short-term load forecasting[J]. IEEE Transactions on Power Systems,1998,13(4):1386-1391.
[10] MOHAMMED,D PARK,R MERCHANT,et al. Practical experiences with an adaptive neural network short term load forecasting system[J]. IEEE Transcations on Power Delivery,2009,10(1):254-265.
[11] 熊軍華,牛珂,張春歌,等. 基于小波變異果蠅優(yōu)化支持向量機(jī)短期負(fù)荷預(yù)測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制,2017,45(13):71-77.
[12] 樊振宇. BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J]. 軟件導(dǎo)刊,2011,10(7):66-68.
[13] ASSAF Y.Multi-resolution wavelets analysis approach for the recognition of concurrent control chart patterns[J]. Quality Engineering,2005,17(1):11-21.
[14] INRID D. 小波十講[M]. 北京:國(guó)防工業(yè)出版社,2011.
[15] 張帆,張峰,張士文. 基于提升小波的時(shí)間序列分析法的電力負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化,2017,39(3):72-76.
[16] 張浩,鄧步青,彭道剛,等. 基于灰色神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)短期負(fù)荷預(yù)測(cè)[J]. 系統(tǒng)仿真技術(shù),2018(1):9-13.
[17] 王玉龍,崔玉,李鵬,等. 基于小波分析改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型電力系統(tǒng)負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)與清潔能源,2015,31(2):16-27.
[18] 徐科,徐金梧,班曉娟. 基于小波分解的某些非平穩(wěn)時(shí)間序列預(yù)測(cè)方法[J]. 電子學(xué)報(bào),2001,29(4):566-568.
[19] 趙芝璞,高超,沈艷霞,等. 基于關(guān)聯(lián)模糊神經(jīng)網(wǎng)絡(luò)和改進(jìn)型蜂群算法的負(fù)荷預(yù)測(cè)方法[J]. 中國(guó)電力,2018,51(2):54-60.
[20] 章毅,郭泉,王建勇. 大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法[J]. 工程科學(xué)與技術(shù),2017(49):10-18.
(責(zé)任編輯:黃 健)