基于模糊小波网络的电力系统短期负荷预测方法
加入技术交流群
由模糊推理层得到每条模糊规则对于输入X的适用度μi(X)，实现归一算法得到其激活度
，它主要是决定了每个小波子网络的输出在整个网络输出中所占的比重：
在改进的Takigi-Sugeno模糊神经网络和小波网络的基础上，式(5)－(8)所描述的FWN可以用一个多层网络来实现，如上图2中所示.本文引用地址：https://www.eepw.com.cn/article/179692.htm
该FWN由常规的四层模糊神经网络组成，分别为：输入层、隶属度函数生成层、推理层及反模糊化层，各层神经元数目分别为q，q×c，和c+1，所以一旦确定输入个数和模糊规则数，模糊小波网络的结构也就确定了，WNNi表示第i个小波子网络。在隶属度函数生成层中所采用的激活函数是式(6)中给出的高斯型隶属度函数。
本文中采用的FWN模型与常规的模糊神经网络模型最大的区别就在于反模糊化层的不同，在模糊神经网络中只能对信号进行局部化逼近，而FWN中则采用了一系列小波子网络，它既能对信号进行全局逼近，也能进行局部逼近，而且对于确定模糊规则数有合理的依据，正因为此，FWN具有更好的信号逼近能力和更强的适应力。
4 模糊小波网络的学习算法
给定L个训练样本对，Xl(l=1,2,...,L)表示第l个训练样本的输入，
分别表示网络的实际输出和目标输出。求解FWN的参数采用使之间误差最小的BP算法，其流程如下：
（3）读入训练样本对，计算网络输出，并计算训练误差：
若满足精度要求，则跳转到（5），否则继续；
评论