短期负荷预测的软计算技术

短期负荷预测的软计算技术DKChaturvedi1，辛哈阿南德Premdayal1，阿希什Chandiok2电气工程，阿格拉，印度教研室电子与通信，BMAS，工程学院，阿格拉，印度电子邮件：[e-mail]摘要电力负荷预测是一个用于开发的电源策略，以提高交流电源线数据网络的可靠性，并提供最佳的负载调度发展中国家的需求增加与较高的增长速度是必不可少的。在本文中，通过一个广义神经罗恩-小波方法实现的短期负荷预测建议。该方法包括小波变换和软计算技术。小波变换分割了负荷时间序列分为粗和细节分量是FEA-Tures的使用广义神经网络（GNN）软计算技术。软计算方法分别预测各组成部分。改良GNN执行比传统的GNN更好。在结束所有的预测成分概括起来，产生最终预测负荷。关键词：小波变换，短期负荷预测，软计算技术1.介绍短期负荷预测（STLF）是电力系统规划，运行和控制，负荷管理和承担单位的重要技术。准确的负荷预测将导致相应的调度和计划，宁与电力系统[1-6]的运作成本要低得多。传统的负荷预测方法，如回归模型[7]灰色预测模型[8,9]和时间序列[10,11]不考虑所有类型的随机干扰的考虑的影响。在近几年人工智能引入负载脱颖而出铸造[12〜17]。不同类型的人工神经网络的工作和模糊逻辑已经被提出了短期负荷预测。他们提高了预测精度与传统的时间序列方法进行比较。人工神经网络具有自学习和非线性逼近能力，但缺乏在人的生命共同的推理，因此需要大量的训练数据，这是一个密集的耗时的过程。在另一方面模糊逻辑可以解决的不确定性，但传统的模糊系统在很大程度上依赖于知识，专家和运营商的经验，是很难获得满意的预测结果，尤其当信息不完整或不充分。...本文旨在找到解决短期负荷预测使用GNN与小波的精确负荷预测结果。本文的结构如下：第2节讨论了各种传统的和软计算基于短期负荷预测方法。器概念需要预测小波分析将在第3节，而需要全身神经结构的元素将在第4节描述进行讨论。利用小波变换和软计算技术及其应用时间序列逐时负荷预测消费的预测程序在第5节中讨论。第6节包括讨论和总结发言。2.对于短期负荷预测的传统与软计算技术2.1。传统的方法时间序列方法传统的短期负荷预测依赖于时间序列分析技术。在时间序列方法的模型是基于过去的负载数据，这个模型的基础上，未来负荷的预测完成。用于线性时间序列的负荷信号的分析的方法是：1）卡尔曼滤波法D.K.CHATURVEDI等。卡尔曼滤波器被认为是许多数据预测和趋势匹配的最佳解决方案。该过滤器被构造为均方最小化，需要的协方差矩阵的估计。过滤器的作用是从信号中提取特征，并忽略其余部分。作为负载数据是高度非线性的和非固定的，难以准确地估计的协方差矩阵2）箱詹金斯方法这种模式被称为自回归移动平均模型。包装盒詹金斯模型可以用来表示与静止或非静止的的过程。一个静止的过程是指其统计特性相同随着时间的推移，这意味着它们的波动在固定平均值。在另一方面非平稳时间序列有变化，水平，趋势或季节性行为。在方格詹金斯模型目前观察称重泰德平均前面的观察加上一个误差项。该模型涉及到观测的那部分被称为模型和误差项被称为移动平均项的自回归部分。这里的一个主要障碍是它的性能下降[19]。3）回归模型回归方法被广泛用于电力负荷预测的统计方法。这种模式形成的线性组合来估计当前的负载在过去一小时做负载消耗之间的关系，船。大数据需要得到正确的结果，但它需要大量的计算时间4）频谱扩展技术此方法是基于傅里叶级数。负载数据被认为是一个周期性的信号。周期信号可以表示为正弦信号的谐波累加。以同样的方式电负载的信号被表示为零序正弦信号具有不同的频率。这种方法的缺点是，电负载是不完美的周期性。这是由于气候变化引起的急剧变化的非平稳和非线性信号。这种现象导致在可能不被表示为周期性频谱的高频成分的变化。这种方法不适合，也需要复杂的方程和大的计算时间。2.2。软计算方法软计算是基于工作的近似推理和函数逼近近似模型。这种方法的基本目标是利用容差为的不精确性，不确定性和局部真理，实现可追踪性，鲁棒性，低方案成本和实时问题的最佳效果。1）人工神经网络（ANN）人工神经网络是一种高效的信息处理系统执行的非线性建模和适应。它是基于分别与过去的和当前的负载数据训练系统的输入和输出。人工神经网络自学习的经验和广义从前面的例子中，以新的。它能够预测更有效负载为负载模式都是非lin-耳和人工神经网络能够以比传统方法更准确地追赶潮流。2）基于规则的专家系统专家系统是在计算机上实现的逻辑程序，作为一个知识的专家。这意味着，程序有一个道理，解释和有其知识基础改善，更多的信息可用来它的能力。可以使用大约从该领域的专家的负荷预测领域的知识来构建的负载预测模型。知识工程师从负载域提取这方面的知识。这方面的知识表示为使用第一个谓词逻辑表示的事实事实和规则和IF-THEN产生式规则。有些规则不随时间缓慢变化，有些变化，而其他人不断地改变，因此也被更新。3）模糊系统模糊集都不错特殊化，模糊集能够表示和处理其拥有的非统计不确定性的电气负载模式。模糊集是被介绍了作为一种新的方式来表示与语言变量的帮助下，数据传统的模糊集理论的推广。它通过消除[21,22]的类成员之间的锐界非成员介绍了模糊性（与降低复杂性的目的）。这些方法是基于特定的问题，并可能代表了收敛的随机性或什至可以分叉。上述方法使用任一回归，频率分量或平均值分量或峰值分量预测的负载。负荷的预测依赖于时间和频率分量的动态变化。本文试图预测，采用广义神经元和波让结合了上面提到的功能的电气负载。3.小波分析的要素小波分析是傅立叶分析[9-15,23-29]一改进中已使用的时间系列的油，气象污染，风速，雨下落等[28,29]的预测。在本节相关的工作的一些重要储藏库已有描述。供的一个功能的空间波基基本的数学结构是一个信号，被称为多分辨率或多尺度分析的多尺度分解。这就是所谓的小波分析的心脏。让L2（R）与有限的能源的所有信号的空间。L2（R）的子空间的家庭{VJ}称为这个空间的多分辨分析，如果1）所有的交集Vj,j=1,2,3,......为非空，则2）这个集合是在密集L2(R),则，=L2(R)3）f(x)Vj当且仅当f(2x)V1j4）V1V2.........VjV1j有一个有效的函数具支撑的这样的跨越区间V0。A更精细的区间Vj由整数跨越转换为空间中的缩放功能Vj并且我们已经扩展方程用适当的系数Ψ被称为可扩展功能或父函数。母函数Ψ通过建立的线性组合得到Ψ。更进一步Ψ和Ψ应该是正交。这就是由（1）和给定这两个条件（2）引出条件对系数BK母小波的表征为经缩放和扩张父小波的线性组合哈尔，Daubechies小波和Coefman是一些知名的小波。Haar小波（哈尔母小波）记为ψ由下式给出：可以从父小波变换获得在这种情况下，系数AK（1）中的A0=A1=1和AK=0对于k0，1。的Haar小波定义(x)=(2x)–(2x–1)表示在（3）的B0=1，B1=-1和BK=系数BK否则为0，Haar小波可以被解释为一阶具有两个系数Daubechies小波。在N阶一般的Daubechies'小波不解析给定的，而是由2N系数描述。较高的N，平滑相应的Daubechies'是小波（平滑度是大约0-2N更大N）。Daubechies小'小波构造的方式，使他们产生正交小波基。它可以被证实和Ψkka=2andkkb=2.这是很清楚的，在更高的情况下的所述缩放，翻译和归一化版本由记与正交小波集合，K|J，是正交小波基。函数f可以表示为离散小波变换（DWT）的对应映射f→ckj,DWT提供给表示与特定的尺度[24,26,27]相关联，并因此被视为一个家庭有效工具信号分析的数据或时间系列F的系数方面的机制。由载重吨为f的获得给定信号f成分辨率的不同尺度的分解。在实际应用中，我们只用在我们的分解少量的水平Ĵ（例如J=4对应于f的一个相当不错的水平小波分解）。DWT的第一步骤对应于所述映射f以它的子波系数并从这些系数两个分量被接收，即一个平滑的版本，南，海关和近似对应于该偏差或信号的所谓的信息的第二部分。富力塑造成为一个低频部分，而高频部分D的分解，是由f=A1+D1表示。A1=A2+D2：相同的过程，以获得分解在更精细的尺度上A1进行。递归分解的低频部分会被显示在图1的方向。所得到的低频部分A1，A2，...An是AP的近似值的f和高频部分D1，D2，....DN包含f的细节。这个图说明了小波分解成N个级别，对应于在实际应用中，这种分解是所观测通过使用特定的子波。小波的几个家族已被证明是在各种应用中特别有用。它们之间的区别相对于正交性，光滑度和其它相关性能如消失矩或载体的大小。图1。小波分解的粗，细节系数的形式。