湖北省工业建筑建团有限公司设计咨询分公司 武汉 430000
摘要：建立基于小波分析和神经网络现相结合的商业体电力负荷预测模型，通过修正网络权值和小波基函数系数，使网络模型的的输出无限逼近真实负荷，为商业体前期的方案设计和后期的运营管理提供了技术支持。最后通过Matlab仿真来验证了此法的可行性。
关键词：电力负荷预测；小波神经网络；权值修真；MATLAB仿真
0 引言：
在当前的建筑电气前期设计中，大都采用单位面积功率法或单位指标法来计算所需容量。这两种方法运算简单，直观性强，但误差大且不够灵活，这在前期设计中比较被动[1]。故当前有很多学者对建筑电气的负荷预测做了一些探究[2 [3] [4]。
本文就尝试采用小波神经网络对商业体电力负荷进行预测。
1基于小波神经网络的建筑物时间序列输出功率预测建模
建筑面积
、室外温度
和时间
作为小波神经网络的输入参数，
为模型的输出，即商业体的预测电力负荷。
在输入信号序列
时，
计算隐含层的输出功率函数为
（1）
式中， 
为隐层第 
个节点的输出值；
为小波基函数
的平移因子； 
为小波基函数 
的伸缩因子；
为小波基函数。
本文小波神经网络采用Molet(morl)小波函数，即余弦调制的高斯波，其表达式为
（2）
将Moelet母小波基函数作为激励函数形成神经元，建立融合型小波神经网络。其输出为
（3）
式中， 
为网络模型的输出值； 
为权重系数； 
为隐含层第 
个节点的输出；
为隐含层节点数； 
为输出层节点数。整个网络输出为建筑物的电力负荷预测，故输出节点为1。将建筑面积、室外温度和时间作为预测输入所建立的小波神经网络的时间序列输出电力负荷预测模型如图1所示。
图1基于小波神经网络的时间序列输出功率预测模型
通过对其模型的修正，由基于小波神经网络的商业体网络模型可以看出，其输入层节点数为4个，隐含层节点数定为7个 ,输出层节点数为1个，网络结构为4-7-1。
2 实验仿真
本文采用单位以前做过的商业体来进行仿真实验，从2015年8月1日至2015年8月30日，每隔一小时记录一次数据，将这30天内商业体的建筑面积、时间、温度的时间序列，共720个时间点的数据、2160个数据时间序列来训练小波神经网络，之后对网络输入8月31日的参数，即可得本日的商业体电力负荷。
样本位于武汉市中心繁华地带，建筑面积101200 
,其中地下1层车库32000
，地上商业69200
。共5层，1-5层为时尚百货、国际品牌衣服专卖，无餐饮。
基于小波神经网络时间序列输出电力负荷预测仿真如图2所示。
图2 基于小波神经网络的时间序列输出功率预测仿真
网络输出电力负荷预测百分比误差如图3所示。
图3 基于小波神经网络的时间序列输出功率预测百分比误差
由图可以看出，样本一的用电高峰没有出现在用餐时段，而是晚上19:00-20:00之间，这也是和本商业体的性质所相符的。高峰期用电量和低峰气用电量相差一倍多，完全可以在低峰期切断一半变压器，通过母联实现小范围变压器供电，大大减少了变压器的空载损耗。
3 结论
本方法在选定神经网络时隐含层根据经验值选择了7个节点，可能并非最优。这需要后期大量的试验确定，或者采用另一种思路，即在优化网络权值和小波基函数的同时优化网络结构（主要是隐含层节点数），预测结果必然更加精确，故商业体的电力负荷预测还需进一步探索研究。
参考文献：
[1] 肖铁军.大型商业中心建筑用电负荷密度调研[J].重庆:建筑电气,2015,(3):23-29.
[2] 李然然,张永坚,刘畅等.基于BP神经网络的建筑物用电能耗预测[J].济南:山东建筑大学学报,2011,26(2):162-165.
[3] 樊一娜.基于粒子群优化算法的灰色模型在电力负荷预测中的应用.西宁:青海大学学报(自然科学版),2013,31,[1]:162-165.
[4] 郭华旺.兆瓦级风电机组输出功率预测研究[D].兰州：兰州交通大学，2012.
论文作者:梁永兴
论文发表刊物:《建筑模拟》2018年第22期
论文发表时间:2018/11/3
标签：神经网络论文; 小波论文; 负荷论文; 节点论文; 电力论文; 序列论文; 时间论文; 《建筑模拟》2018年第22期论文;