基于模糊小波網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測方法
加入技術(shù)交流群
由模糊推理層得到每條模糊規(guī)則對于輸入X的適用度μi(X)，實現(xiàn)歸一算法得到其激活度
，它主要是決定了每個小波子網(wǎng)絡(luò)的輸出在整個網(wǎng)絡(luò)輸出中所占的比重：
在改進的Takigi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)和小波網(wǎng)絡(luò)的基礎(chǔ)上，式(5)－(8)所描述的FWN可以用一個多層網(wǎng)絡(luò)來實現(xiàn)，如上圖2中所示.本文引用地址：http://www.biyoush.com/article/179692.htm
該FWN由常規(guī)的四層模糊神經(jīng)網(wǎng)絡(luò)組成，分別為：輸入層、隸屬度函數(shù)生成層、推理層及反模糊化層，各層神經(jīng)元數(shù)目分別為q，q×c，和c+1，所以一旦確定輸入個數(shù)和模糊規(guī)則數(shù)，模糊小波網(wǎng)絡(luò)的結(jié)構(gòu)也就確定了，WNNi表示第i個小波子網(wǎng)絡(luò)。在隸屬度函數(shù)生成層中所采用的激活函數(shù)是式(6)中給出的高斯型隸屬度函數(shù)。
本文中采用的FWN模型與常規(guī)的模糊神經(jīng)網(wǎng)絡(luò)模型最大的區(qū)別就在于反模糊化層的不同，在模糊神經(jīng)網(wǎng)絡(luò)中只能對信號進行局部化逼近，而FWN中則采用了一系列小波子網(wǎng)絡(luò)，它既能對信號進行全局逼近，也能進行局部逼近，而且對于確定模糊規(guī)則數(shù)有合理的依據(jù)，正因為此，F(xiàn)WN具有更好的信號逼近能力和更強的適應(yīng)力。
4 模糊小波網(wǎng)絡(luò)的學習算法
給定L個訓練樣本對，Xl(l=1,2,...,L)表示第l個訓練樣本的輸入，
分別表示網(wǎng)絡(luò)的實際輸出和目標輸出。求解FWN的參數(shù)采用使之間誤差最小的BP算法，其流程如下：
（3）讀入訓練樣本對，計算網(wǎng)絡(luò)輸出，并計算訓練誤差：
若滿足精度要求，則跳轉(zhuǎn)到（5），否則繼續(xù)；
評論