文档介绍：小波神经元网络研究论文
摘要：小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性。为更好地反映气象因素对负荷的影响及提高负荷猜测的精度，文章选用Morlet小波构建小波神经元网络，采用误差反传学习算法来练习网络，采用自学习隶属度分析聚类的新方法选择练习样本。并应用武汉电网近年的负荷数据和气象资料进行了建模和猜测，猜测结果表明所建立的小波神经元网络猜测模型具有较好的收敛性，采用自学习隶属度分析聚类方法选择练习样本能改善猜测精度。摘要：小波神经元网络；隶属度；短期负荷猜测；电力系统SHORT-TERMLOADFORECASTINGBASEDONWAVELETNEURALNETWORKABSTRACT摘要：Waveletneuralnetwork(WNN)possessesmoredegreeoffreedomandbetteradaptivitythanmulti-,theMorletwaveletischosentoestablishawaveletneuronnetwork,thebackpropagatealgorithmisadoptedtotraintheWNNnetwork,anewmethodofanalyzingclusteringbyself--：Waveletneuralnetwork；Membership；Short-termloadforecasting；Powersystem1引言短期负荷猜测是负荷猜测的重要组成部分，是电力系统运行调度中的重要内容。国内外已提出了多种短期负荷猜测方法，如多元回归、ARMA模型、人工神经元网络方法等。可归类为摘要：①利用负荷的自身发展规律，如ARMA模型[1等；②负荷发展规律和气象因素相结合，如ANN(ArtificialNeuralNetwork)方法[2；③其他方法，如小波分解法[3-5、模糊聚类法[6及混沌算法[7。人工神经网络以其强大的多元性映射能力能够准确捕捉并学习负荷值和天气之间的非线性关系，使考虑气象因素的电力系统短期负荷猜测成为可能。近年来它一直受到密切关注，且已成为解决电力负荷猜测新问题的有效计算工具。小波在分析非固定信号和构造非线性函数模型方面具有卓越性能，因此结合了小波基函数的小波神经元网络(WNN