这样a0＝d1＋d2＋d3＋a3，即原负荷序列可分解为四个频段的序列，这些序列中除d1序列，其它序列的变化速度都较上一尺度减半（这是由mallat算法中滤波器所决定）且变化都有一定规律。
对d2，d3，a3序列可以运用负荷预测的周期自回归（PAR）方法或其它的传统方法，这是因为由于序列的规律性增强，变化减慢，各种方法的精度大大提高。对d1序列可选择适应非线性能力强的，有记忆能力的人工神经元网络的方法，可以更好的利用神经元的特点，避免使用统计平均的方法而忽略了负荷在特定时域的特性。当然在此我们可以十分灵活的选取哪些序列用人工神经元网络来训练预测，如可以对d2序列用它来处理。
作为一个实例，选取61天负荷的最后一日作为待预测值，用前60日的数据作为已知数据，来预测最后一天的48个数据。我们对上面四个序列按照上文所述的方法分别预测，这是方法1；对比方法是我们直接对负荷序列使用神经网络方法训练后再预测。
在此使用的神经元网络是三层BP网络，每层的神经元数目为：输入层为60，中间层为20，输出层是1；训练的样本是连续24点的负荷序列，指定的叠代次数是50次。效果如图9所示。
由图可以看出除在中间处有一点偏大的误差，其余处的误差都小于0．05，而且这种误差还是可以通过适当增加隐层神经元数和加大叠代次数来达到。
我们对负荷序列a3使用以上相同的神经元网络得到了更好的效果。
我们将对各序列的预测结果叠加得到总的预测值（即d3＋d2＋d1＋a3），由上图可见该方法的效果要比不用小波分解直接预测的方法要好。而且由于神经网络的记忆特性，改善了对小波分解序
列的历史趋势的记忆，而不是统计平均化了。
5 结论
小波分析对局部时域和频域的分析具有明显的优势，我们可以通过选择合适的小波，对不同性质的负荷进行分类，从而可以针对某种性质的负荷，根据其规律采用相应的预测方法，提高预测精度；人工神经元网络对于处理非线性、无法显示表示规律的问题的处理具有优势，但计算量大，每层的神经元数目的选择无规律，存在不收敛的问题，建网要靠摸索。本文试图将两种方法结合使用，尽量发挥各自优势。
小波分析今后在负荷预测使用中建议需要对主要的一些负荷的特征进行提取，是否在考虑负荷的出现时段，次序时间，运行频率等常规特征外，能否还能通过对这些负荷产生的无功，功率因数等其它特征来进行特征提取，以便使用小波来识别这些不同负荷，进行进一步细分。另外对相关影响负荷变化的温度，日照时间，降雨等天气因素以及经济增长，结构转型等宏观因素能否使用小波进行分析，得到因此而引起变化的模式，由此使我们能更了解负荷变化的物理实质。
6 参考文献
1 任震，石志强，何建军．小波分析及其在电力系统中的应用．全国高校电力系统及其自动化专业第十二届学术年会论文集．
2 杨桦，任震，赵宏伟．基于小波分析的电力系统短期负荷预测．全国高校电力系统及其自动化专业第十二届学术年会论文集．
3 KocCK，Chen G R，Chui C K．Complexity analysis ofwavelet signal decomPOSTTTION and reconstruction．IEEETrans on Aerospace and Electronic Systems，1994，30：910～918
4 Zhang XP，Tian LS，Peng YN．From the wavelet seriesto the discrete wavelettransform－the initialization．IEEE Trans SignalProcessing，1996，44：129～133
5 杨福生．小波变换的工程分析与应用（第一版）．北京：科学出版社，1999．
6 袁曾任．人工神经网络及其应用（第一版）．北京：清华大学出版社，1999．
本文关键字：暂无联系方式电工文摘，电工技术 - 电工文摘
上一篇：电力系统频率测量误差成因分析
