CN114792174A - 一种基于小波神经网络的配网线路气象预测方法 - Google Patents

一种基于小波神经网络的配网线路气象预测方法 Download PDF

Info

Publication number
CN114792174A
CN114792174A CN202210714400.3A CN202210714400A CN114792174A CN 114792174 A CN114792174 A CN 114792174A CN 202210714400 A CN202210714400 A CN 202210714400A CN 114792174 A CN114792174 A CN 114792174A
Authority
CN
China
Prior art keywords
neural network
wavelet neural
wavelet
data
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210714400.3A
Other languages
English (en)
Inventor
祖国强
晋萃萃
刘勇
姚瑛
贺春
张弛
李聪利
李隆基
朱文才
郑悦
周亚楠
岳洋
唐庆华
王志会
许万伟
杨磊
文清丰
栗薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Energy Engineering Group Tianjin Electric Power Design Institute Co ltd
Tianjin University
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Binhai Power Supply Co of State Grid Tianjin Electric Power Co Ltd
Original Assignee
China Energy Engineering Group Tianjin Electric Power Design Institute Co ltd
Tianjin University
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Binhai Power Supply Co of State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Energy Engineering Group Tianjin Electric Power Design Institute Co ltd, Tianjin University, State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd, Binhai Power Supply Co of State Grid Tianjin Electric Power Co Ltd filed Critical China Energy Engineering Group Tianjin Electric Power Design Institute Co ltd
Priority to CN202210714400.3A priority Critical patent/CN114792174A/zh
Publication of CN114792174A publication Critical patent/CN114792174A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于小波神经网络的配网线路气象预测方法，通过根据气象采集装置的数据构建小波神经网络的拓扑结构，同时获取终端气象采集装置采集的数据，并对数据进行预处理，将预处理后的数据作为小波神经网络的输入，小波神经网络的输出即为气象预测结果。本发明充分考虑了风向、风速、温度、湿度四种要素之间的耦合关系，通过对历史数据的分析，实现对四种气象要素的逐小时短期预测。为10kV配网架空线路舞动在线监测预警的实现提供了技术参考，有助于提高配网线路抵御风险的能力，具有实际意义与理论价值。同时本发明通过粒子群算法对传统小波神经网络进行优化，提高了小波神经网络的性能，提高了模型的预测精度。

Description

一种基于小波神经网络的配网线路气象预测方法
技术领域
本发明属于配电分析技术领域，尤其是一种基于小波神经网络的配网线路气象预测方法。
背景技术
近年来，
Figure DEST_PATH_IMAGE001
配网架空线路舞动现象时有发生，引发了配网线路的一系列故障，造成了一定的经济损失，逐渐得到个地方电网公司的关注与重视。由已有的研究资料可知，架空线路舞动的两个至关重要的因素是风和覆冰，而覆冰是在不同气象条件综合作用下产生的结果。因此，配网线路的气象条件是导线舞动的重要因素。随着科技的进步，伴随着大量数据传输的架空线路在线监测已可以非常容易的实现，在线路侧可以很容易的采集到风速、风向以及温湿度等气象信息，并及时传递到处理终端。
不同气象要素之间并不是毫无关系的，任何单一要素的分析都不能充分挖掘数据隐藏的信息，从而无法实现气象条件的准确预测。只有充分考虑不同要素之间的相关性，对任意气象条件进行预测时均将其他气象条件的影响加入其中，才能达到比较好的预测效果。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于小波神经网络的配网线路气象预测方法，能够维持电网稳定运行，能够快速，准确给出最优的负荷转供方案，极大的提升调度员的工作效率，保障电网的安全稳定运行。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于小波神经网络的配网线路气象预测方法，包括以下步骤：
步骤1、获取线路终端气象采集装置采集的数据，并对数据进行预处理；
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构；
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数；
步骤4、对小波神经网络参数进行初始化；
步骤5、利用粒子群算法对小波神经网络参数进行寻优，得到参数寻优的小波神经网络；
步骤6、使用步骤1预处理后的数据作为步骤5参数寻优的小波神经网络的输入，参数寻优的小波神经网络的输出为气象预测结果。
而且，所述步骤1包括以下步骤：
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围，将数据中超出范围的值标记为缺损值，
步骤1.2、判断数据是否有破损与缺损，若存在破损与缺损，则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3，否则直接进行步骤1.3；
步骤1.3、对数据进行归一化处理。
而且，所述步骤1.3的具体实现方法为：
Figure DEST_PATH_IMAGE003
其中，
Figure DEST_PATH_IMAGE005
为数据归一化处理后的值，
Figure DEST_PATH_IMAGE007
和
Figure DEST_PATH_IMAGE009
分别为数据归一化处理前的最小值与最大值，
Figure DEST_PATH_IMAGE011
为数据归一化处理前的值。
而且，所述步骤2构建的小波神经网络拓扑结构包括：输入层、隐含层和输出层，其数学模型为：
Figure DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE015
为隐含层的输出，
Figure DEST_PATH_IMAGE017
为小波函数，
Figure DEST_PATH_IMAGE019
为输入层和隐含层之间的连接权值，
Figure DEST_PATH_IMAGE021
为输入层的输入，
Figure DEST_PATH_IMAGE023
为小波函数的平滑因子，
Figure DEST_PATH_IMAGE025
为小波函数的伸缩因子，
Figure DEST_PATH_IMAGE027
为隐含层与输出层之间的连接权值，
Figure DEST_PATH_IMAGE029
为小波神经网络的输出，
Figure DEST_PATH_IMAGE031
为小波神经网络隐含层的个数，
Figure DEST_PATH_IMAGE033
为小波神经网络输出层的个数，i是输入层的个数，j是隐含层的个数，k是输出层的个数。
而且，所述步骤3中选取的小波函数
Figure DEST_PATH_IMAGE035
为：
Figure DEST_PATH_IMAGE037
其中，
Figure DEST_PATH_IMAGE039
为输入层数据。
而且，所述步骤4的具体实现方法为：取区间[-1,1]的随机数作为连接权值
Figure DEST_PATH_IMAGE041
和
Figure DEST_PATH_IMAGE043
的初始值；计算伸缩因子和平滑因子：
Figure DEST_PATH_IMAGE045
其中，
Figure DEST_PATH_IMAGE047
为第
Figure DEST_PATH_IMAGE049
个隐含层节点的输入，
Figure DEST_PATH_IMAGE051
为第
Figure 648602DEST_PATH_IMAGE049
层输入的最大值，
Figure DEST_PATH_IMAGE053
为第
Figure DEST_PATH_IMAGE055
层输入的最小值，
Figure DEST_PATH_IMAGE057
为小波函数的时域中心，
Figure DEST_PATH_IMAGE059
为小波函数的半径。
本发明的优点和积极效果是：
本发明通过根据气象采集装置的数据构建小波神经网络的拓扑结构，同时获取终端气象采集装置采集的数据，并对数据进行预处理，将预处理后的数据作为小波神经网络的输入，小波神经网络的输出即为气象预测结果。本发明充分考虑了风向、风速、温度和湿度四种要素之间的耦合关系，通过对历史数据的分析，实现对四种气象要素的逐小时短期预测。为10kV配网架空线路舞动在线监测预警的实现提供了技术参考，有助于提高配网线路抵御风险的能力，具有实际意义与理论价值。同时本发明通过粒子群算法对传统小波神经网络进行优化，提高了小波神经网络的性能，提高了模型的预测精度。
附图说明
图1为本发明的流程图；
图2为本发明小波神经网络拓扑图；
图3为风速实际值与预测值的变化情况图；
图4为风向实际值与预测值的变化情况图；
图5为温度实际值与预测值的变化情况图；
图6为湿度实际值与预测值的变化情况图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种基于小波神经网络的配网线路气象预测方法，如图1所示，包括以下步骤：
步骤1、获取线路终端气象采集装置采集的数据，并对数据进行预处理。
其中，线路终端气象采集装置采集的数据包括风向、风速、温度和湿度。
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围，将数据中超出范围的值标记为缺损值，
步骤1.2、判断数据是否有破损与缺损，若存在破损与缺损，则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3，否则直接进行步骤1.3；
其中，破损部分是传感器在特殊情况下采集到的不正常的数据，缺损部分是在数据传输等过程中导致数据的丢失，与具体的值没有关系。
步骤1.3、对数据进行归一化处理。
Figure 519737DEST_PATH_IMAGE060
其中，
Figure 892949DEST_PATH_IMAGE061
为数据归一化处理后的值，
Figure 22579DEST_PATH_IMAGE062
和
Figure 305793DEST_PATH_IMAGE063
分别为数据归一化处理前的最小值与最大值，
Figure 220266DEST_PATH_IMAGE064
为数据归一化处理前的值。
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构。如图2所示，采用三层结构的小波神经网络，即输入层、隐含层和输出层，其一般形式的拓扑结构如图1所示。图中，
Figure DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE068
，……，
Figure DEST_PATH_IMAGE070
为输入，
Figure DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE074
，……，
Figure DEST_PATH_IMAGE076
为输出，
Figure DEST_PATH_IMAGE078
为输入层和隐含层之间的连接权值，
Figure 503611DEST_PATH_IMAGE080
为隐含层与输出层之间的连接权值。
构建小波神经网络的数学模型为：
Figure DEST_PATH_IMAGE081
其中，
Figure 905774DEST_PATH_IMAGE082
为隐含层的输出，
Figure DEST_PATH_IMAGE083
为小波函数，
Figure 636969DEST_PATH_IMAGE084
为输入层和隐含层之间的连接权值，
Figure 223808DEST_PATH_IMAGE085
为输入层的输入，
Figure 446979DEST_PATH_IMAGE086
为小波函数的平滑因子，
Figure 43046DEST_PATH_IMAGE087
为小波函数的伸缩因子，
Figure 35273DEST_PATH_IMAGE088
为隐含层与输出层之间的连接权值，
Figure 562987DEST_PATH_IMAGE089
为小波神经网络的输出，
Figure DEST_PATH_IMAGE031A
为小波神经网络隐含层的个数，
Figure 601350DEST_PATH_IMAGE033
为小波神经网络输出层的个数。
根据步骤1中预处理后的数据特性构建小波神经网络输入数列，选择时间尺度为1小时，要求对某天
Figure DEST_PATH_IMAGE092A
时的风速、风向、温度和湿度进行预测，则需要知道当天
Figure DEST_PATH_IMAGE094
时的风速、风向、温度、湿度，还要知道前一天
Figure 266686DEST_PATH_IMAGE096
时的风速、风向、温度、湿度。因此构建的小波神经网络的拓扑结构包括24层输入层，20层隐含层和4层输出层，同时24层输入层构成的24维的
Figure 378999DEST_PATH_IMAGE098
数列为：
Figure 809106DEST_PATH_IMAGE100
其中，
Figure 272448DEST_PATH_IMAGE102
为预测当天
Figure 820104DEST_PATH_IMAGE104
时的风速，
Figure 911557DEST_PATH_IMAGE106
为预测当天
Figure 152045DEST_PATH_IMAGE104
时的风向，
Figure 696159DEST_PATH_IMAGE108
为预测当天
Figure 47506DEST_PATH_IMAGE104
时的温度，
Figure 259044DEST_PATH_IMAGE110
为预测当天
Figure 670434DEST_PATH_IMAGE104
时的湿度，
Figure 200379DEST_PATH_IMAGE112
为预测前一天
Figure 89838DEST_PATH_IMAGE114
时的风速，
Figure 296828DEST_PATH_IMAGE116
为预测前一天
Figure 3753DEST_PATH_IMAGE118
时的风向，
Figure 397825DEST_PATH_IMAGE120
为预测前一天
Figure 215609DEST_PATH_IMAGE122
时的温度，
Figure 745947DEST_PATH_IMAGE124
为预测前一天
Figure 889352DEST_PATH_IMAGE126
时的湿度，
Figure 770721DEST_PATH_IMAGE128
为预测前一天
Figure 893660DEST_PATH_IMAGE104
时的风速，
Figure 544084DEST_PATH_IMAGE130
为预测前一天
Figure 468178DEST_PATH_IMAGE104
时的风向，
Figure 961476DEST_PATH_IMAGE132
为预测前一天
Figure 996428DEST_PATH_IMAGE104
时的温度，
Figure 891572DEST_PATH_IMAGE134
为预测前一天
Figure 720987DEST_PATH_IMAGE104
时的湿度，
Figure 967161DEST_PATH_IMAGE136
为预测前一天
Figure 805804DEST_PATH_IMAGE138
时的风速，
Figure 805988DEST_PATH_IMAGE140
为预测前一天
Figure 71885DEST_PATH_IMAGE138
时的风向，
Figure 274196DEST_PATH_IMAGE142
为预测前一天
Figure 182109DEST_PATH_IMAGE138
时的温度，
Figure 661632DEST_PATH_IMAGE144
为预测前一天
Figure 223063DEST_PATH_IMAGE138
时的湿度，
Figure 788037DEST_PATH_IMAGE146
为预测前一天
Figure 93116DEST_PATH_IMAGE148
时的风速，
Figure 427145DEST_PATH_IMAGE150
为预测前一天
Figure 660943DEST_PATH_IMAGE148
时的风向，
Figure 713213DEST_PATH_IMAGE152
为预测前一天
Figure 821983DEST_PATH_IMAGE148
时的温度，
Figure 276098DEST_PATH_IMAGE154
为预测前一天
Figure 179332DEST_PATH_IMAGE148
时的湿度，
Figure 718898DEST_PATH_IMAGE156
为预测前一天
Figure 365780DEST_PATH_IMAGE158
时的风速，
Figure 939980DEST_PATH_IMAGE160
为预测前一天
Figure 889482DEST_PATH_IMAGE158
时的风向，
Figure 273933DEST_PATH_IMAGE162
为预测前一天
Figure 599873DEST_PATH_IMAGE158
时的温度，
Figure 887634DEST_PATH_IMAGE164
为预测前一天
Figure 8037DEST_PATH_IMAGE158
时的湿度。
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数。
Figure 912408DEST_PATH_IMAGE037
其中，
Figure 776459DEST_PATH_IMAGE039
为输入层数据。
步骤4、对小波神经网络参数进行初始化。小波神经网络的参数包括神经网络参数（连接权值）和小波参数（伸缩因子和平滑因子）。参数进行初始化为：取区间[-1,1]的随机数作为连接权值
Figure 918727DEST_PATH_IMAGE041
和
Figure 475611DEST_PATH_IMAGE043
的初始值；计算伸缩因子和平滑因子：
Figure 837584DEST_PATH_IMAGE045
其中，
Figure 505326DEST_PATH_IMAGE047
为第
Figure 643046DEST_PATH_IMAGE049
个隐含层节点的输入，
Figure 229885DEST_PATH_IMAGE051
为第
Figure 718635DEST_PATH_IMAGE049
层输入的最大值，
Figure 49123DEST_PATH_IMAGE053
为第
Figure 41349DEST_PATH_IMAGE166
层输入的最小值，
Figure 330248DEST_PATH_IMAGE057
为小波函数的时域中心，
Figure 509557DEST_PATH_IMAGE059
为小波函数的半径。
步骤5、利用粒子群算法对小波神经网络参数进行寻优，得到参数最优的小波神经网络。
步骤6、使用步骤1预处理后的数据作为步骤5参数最优的小波神经网络的输入，参数最优的小波神经网络的输出为气象预测结果。、
通过上述一种基于小波神经网络的配网线路气象预测方法，对4月27日和28日共48个样本点的风速、风向、温度和湿度进行预测，以验证本发明的效果。
如图3、图4、图5、图6所示，分别为风速、风向、温度和湿度实际值与预测值的变化情况，可以发现，均能实现对风速、风向、温度和湿度变化趋势的正确预测，但个别样本的预测会出现很大的偏差。相比来说风速的预测误差较大，其余因素的预测效果较好，验证了小波神经网络气象预测模型的可行性。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (6)

1.一种基于小波神经网络的配网线路气象预测方法，其特征在于：包括以下步骤：
步骤1、获取线路终端气象采集装置采集的数据，并对数据进行预处理；
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构；
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数；
步骤4、对小波神经网络参数进行初始化；
步骤5、利用粒子群算法对小波神经网络参数进行寻优，得到参数寻优的小波神经网络；
步骤6、使用步骤1预处理后的数据作为步骤5参数寻优的小波神经网络的输入，参数寻优的小波神经网络的输出为气象预测结果。
2.根据权利要求1所述的一种基于小波神经网络的配网线路气象预测方法，其特征在于：所述步骤1包括以下步骤：
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围，将数据中超出范围的值标记为缺损值，
步骤1.2、判断数据是否有破损与缺损，若存在破损与缺损，则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3，否则直接进行步骤1.3；
步骤1.3、对数据进行归一化处理。
3.根据权利要求2所述的一种基于小波神经网络的配网线路气象预测方法，其特征在于：所述步骤1.3的具体实现方法为：
Figure 858670DEST_PATH_IMAGE002
其中，
Figure 33300DEST_PATH_IMAGE004
为数据归一化处理后的值，
Figure 24258DEST_PATH_IMAGE006
和
Figure 284338DEST_PATH_IMAGE008
分别为数据归一化处理前的最小值与最大值，
Figure 35257DEST_PATH_IMAGE010
为数据归一化处理前的值。
4.根据权利要求1所述的一种基于小波神经网络的配网线路气象预测方法，其特征在于：所述步骤2构建的小波神经网络拓扑结构包括：输入层、隐含层和输出层，其数学模型为：
Figure 64393DEST_PATH_IMAGE012
其中，
Figure 993297DEST_PATH_IMAGE014
为隐含层的输出，
Figure 616039DEST_PATH_IMAGE016
为小波函数，
Figure 29703DEST_PATH_IMAGE018
为输入层和隐含层之间的连接权值，
Figure 37979DEST_PATH_IMAGE020
为输入层的输入，
Figure 511685DEST_PATH_IMAGE022
为小波函数的平滑因子，
Figure 356145DEST_PATH_IMAGE024
为小波函数的伸缩因子，
Figure 307920DEST_PATH_IMAGE026
为隐含层与输出层之间的连接权值，
Figure 206256DEST_PATH_IMAGE028
为小波神经网络的输出，
Figure 585285DEST_PATH_IMAGE030
为小波神经网络隐含层的个数，
Figure 917040DEST_PATH_IMAGE032
为小波神经网络输出层的个数，i是输入层的个数，j是隐含层的个数，k是输出层的个数。
5.根据权利要求1所述的一种基于小波神经网络的配网线路气象预测方法，其特征在于：所述步骤3中选取的小波函数
Figure 406927DEST_PATH_IMAGE034
为：
Figure 389795DEST_PATH_IMAGE036
其中，
Figure 205305DEST_PATH_IMAGE038
为输入层数据。
6.根据权利要求1所述的一种基于小波神经网络的配网线路气象预测方法，其特征在于：所述步骤4的具体实现方法为：取区间[-1,1]的随机数作为连接权值
Figure 24356DEST_PATH_IMAGE040
和
Figure 317934DEST_PATH_IMAGE042
的初始值；计算伸缩因子和平滑因子：
Figure 656774DEST_PATH_IMAGE044
其中，
Figure 643185DEST_PATH_IMAGE046
为第
Figure 949532DEST_PATH_IMAGE048
个隐含层节点的输入，
Figure 46801DEST_PATH_IMAGE050
为第
Figure 348469DEST_PATH_IMAGE048
层输入的最大值，
Figure 630415DEST_PATH_IMAGE052
为第
Figure DEST_PATH_IMAGE054A
层输入的最小值，
Figure 486376DEST_PATH_IMAGE056
为小波函数的时域中心，
Figure 744925DEST_PATH_IMAGE058
为小波函数的半径。
CN202210714400.3A 2022-06-23 2022-06-23 一种基于小波神经网络的配网线路气象预测方法 Pending CN114792174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210714400.3A CN114792174A (zh) 2022-06-23 2022-06-23 一种基于小波神经网络的配网线路气象预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210714400.3A CN114792174A (zh) 2022-06-23 2022-06-23 一种基于小波神经网络的配网线路气象预测方法

Publications (1)

Publication Number Publication Date
CN114792174A true CN114792174A (zh) 2022-07-26

Family

ID=82463526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210714400.3A Pending CN114792174A (zh) 2022-06-23 2022-06-23 一种基于小波神经网络的配网线路气象预测方法

Country Status (1)

Country Link
CN (1) CN114792174A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139274A (zh) * 2015-08-16 2015-12-09 东北石油大学 基于量子粒子群与小波神经网络的输电线路覆冰预测方法
CN105139264A (zh) * 2015-06-06 2015-12-09 安徽工程大学 一种基于粒子群算法小波神经网络的光伏发电量的预测方法
CN111929748A (zh) * 2020-09-17 2020-11-13 南京浦蓝大气环境研究院有限公司 一种气象要素预报方法和系统
CN112925825A (zh) * 2021-02-25 2021-06-08 南京大学 用于输电线路的多气象因子预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139264A (zh) * 2015-06-06 2015-12-09 安徽工程大学 一种基于粒子群算法小波神经网络的光伏发电量的预测方法
CN105139274A (zh) * 2015-08-16 2015-12-09 东北石油大学 基于量子粒子群与小波神经网络的输电线路覆冰预测方法
CN111929748A (zh) * 2020-09-17 2020-11-13 南京浦蓝大气环境研究院有限公司 一种气象要素预报方法和系统
CN112925825A (zh) * 2021-02-25 2021-06-08 南京大学 用于输电线路的多气象因子预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张子雄等: "小波神经网络在无人机电机控制的应用", 《微特电机》 *

Similar Documents

Publication Publication Date Title
Li et al. When weather matters: IoT-based electrical load forecasting for smart grid
CN112749904B (zh) 基于深度学习的配电网故障风险预警方法及系统
CN108388962B (zh) 一种风电功率预测系统及方法
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN110264002B (zh) 基于聚类分析的风电场微观选址方案评价方法
CN103473621A (zh) 风电场短期功率预测方法
CN102982393A (zh) 一种输电线路动态容量的在线预测方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN114118571A (zh) 一种基于lstm深度学习的供暖热负荷预测方法
CN103778305A (zh) 基于k-VNN和LS-SVM的输电线路覆冰建模方法
CN106650977A (zh) 应用于新建风电场的短期功率预测方法
CN109583645A (zh) 一种公共楼宇短期负荷预测方法
CN101369322B (zh) 基于混沌理论的供热负荷区间预报法
CN104298706A (zh) 一种基于数据挖掘的输电杆塔塔材实际强度计算方法
CN111091223A (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法
CN113610285A (zh) 一种分散式风电的功率预测方法
CN113640732A (zh) 一种基于Pareto分布的电能表计量准确性估计系统和方法
Genton et al. Blowing in the wind
CN104732107A (zh) 以介质参数为评估参量的变压器套管剩余寿命预测方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
CN114792174A (zh) 一种基于小波神经网络的配网线路气象预测方法
CN110414734A (zh) 一种计及风资源利用率预测评估的方法
CN104331748A (zh) 一种预测规划目标年风电场群持续功率曲线的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220726