其中种就是比较平均绝对误差百分比，我们概括为神经网络可以用来识别模式或评估相似匹配程度。这些神经网络应该组合起来，如用时间序列法利用延迟线那样单独来预测，就存在每种方法矛盾权重。结论在本文中，我们介绍了以用线性和非线性网络组成负荷预测系统为基础混合神经网络。我们已经论证了这个系统是理想，可为公共事业或是商业应用服务。另外本文也描述两个子系统，它们作为优化处理我们现有系统来处理各种不平常情况。外文文献原文外文文献原文有高度适应性低值，这就是用电力负荷通过训练后最好预测值。短期负荷预测系统本文短期负荷预测系统是个线性神经网络模型和非线性神经网络组合。整个系统结构如图示。图短期负荷预测系统结构图在这个系统中，线性系统和非线性系统两者都有第二部分中提到影响负荷预测几种或全部因素作为历史数据输入。数据处理器数据是从线性和非线性神经网络历史数据中提取出来，分别地，线性神经网络输出作为反馈，输入到非线性神经网络中。有历史数据和线性神经网络输出作为输入，非线性神经网络就会预测出天或者周负荷值。这两个网络组成最初网络结构是基于统计分析和遗传算法。如图所示，时刻负荷值很大程度上取决于时刻历史负荷值。所以，准确地预测小时后负荷会提高短期负荷预测准确度。但是，天小时后或在个星期小时后预测，在之前几个小时负荷值仍然是预测值。例如，我们要预测明天上午点负荷值，显然，我们拥有明天上午点负荷值不是实际值，我们只有明天上午点预测值。因为在点负荷对点负荷影响较密切，准确预测点负荷会提高预测点负荷准确度。在我们这个系统中，线性神经网络模型是用来预测个小时后负荷值。对于非线性神经网络来说，输入层包括不同时间滞后变量。虽然时刻负荷受到时刻显著影响，但是时刻负荷本身准确度不足够以至影响预测时刻负荷准确度。这主要受长期负荷变化影响见图仿真结果我们可以通过公共事业公司获得历史数据和各种天气数据。我们用来仿真数据是，和年每小时历史负荷数据和当年每小时温度数据。非线性神经网络由个子网组成，没个代表天中个特定时间。相似，线性神经网络也有个子网。全部个子网有很多个输入节点，但是只有个输出节点。在任何时候，只有个非线性子网和个线性子网在工作总共只有个网。这种独无二结构具有以下优点预测速度快重新训练系统快模块化。可以在特定时间根据预测精度更新系统预测精度高可以得出系统这些优点对于商业应用来说是很重要。根据每小时或每天预测原则来说，预测速度很精度对于公共事业来说是非常需要我们用和年历史负荷数据和温度数据来训练年负荷和温度来作验证。在训练和验证期间，用到了未来实际温度。图显示了利用年第季度数据验证我们系统预测小时后值曲线。图第季度验证结果优化处理由经验可知，我们发现只有个传统神经网络系统不足够处理我们往往遇到那些具有多种变化情况公共事业公司。例如，当天气突然变化时，利用常规数据来训练系统不能得到较好预测效果。当系统历史数据点不足够系统来学习时，可以通过简单地增加相似历史负荷点到训练数据中来解决上述问题。我们将增加两个附加子系统到我们短期负荷预测系统中，给它取名为基于规则系统和模式识别系统。这两个字子系统在遇到上述些情况下会起不同作用和完成不同任务。基于规则系统模式识别，遗传算法和人工神经网络时间序列模型所构成神经网络都可用作短期负荷预测。但是，为了获得最小预测误差，且在可接受复杂程度和训练时间，需要知道使用这个网络特殊公共事业使用范围。特别是对于区域负荷预测，这些特殊地理区域和服务场所或多或少受到诸如温度和假期影响，取决于这个区域负荷是工业负荷占重要部分，还是商业负荷，或是民用负荷，或取决于负荷是在夏季达到峰值还是冬季达到峰值等。为了使公共事业单位或其他没背景公司能够成功使用人工智能短期负荷预测系统，当它达到最佳性能时候，有必要提供根据当地条件来设置变化参数规则。模式识别系统这个系统被很多公共事业单位所用来作日常负荷预测种方法，它给出了个小时为单位负荷大型数据库，只要找出与预测日相似负荷记录，将它所在那天数据作为预测依据。这个系统问题就是如何在历史负荷数据记录中找出相似记录。有很多种可行方式来定义相似，我们所用标是集成在个独特计算设备上。虽然无线网络目标很明确，本无线技术研究并不只对当前系统应用，种类繁多应用，将可在未来几年出现使用。在无线局域网第个经验，采用专利硬件,。最近出版规范调节在无线局域网介质访问方法启动个产业技术竞争，以适应他们产品新标准。第个设备都提供由年初市场，些项目刚刚开始迁移到这些新产品。在这项工作中，我们报告中提到，我们安装了标准个真实经历为室内环境我们研究了两个阶段安装过程选择用于在基站最佳位置和以这些站分配频道。在安装中,这项工作是为了分享我们实际经验和促进不同研究组之间信息交换。硬件描述我们使用了三个访问技术基站通过个从有线骨干接收数据工作作为以太网桥双绞线或连接，并通过无线网络绕过接收到分组接口卡。移动用户通过另个接收这些数据包网卡连接到其笔记本电脑或其他计算设备。在网络中使用硬件是标准。本标准定义了介质访问方法和物理层规范。它定义了两种调制技术直接序列扩频和跳频扩频。这些调制技术是彼此不兼容，它应该当我们扩展无线时才能观察到。我们无线网络工作在微波波段，提供带宽回落到，调制和带有访问方法载波侦听多路访问冲突避免。避免碰撞机制是需要在无线网络中作为主机无法检测到从以太网络同时刻碰撞发送个数据包。安装过程在本节中，我们提出参与安装过程中各个阶段和开发优化模型。映射需求区域作为个试验经验，并且由于仅具有三个基站可用限制，我们认为我们建筑第三层和第四层作为我们需求领域。图示出每层需求区域映射。在较亮区域对应到过道。它们被排除在需求方面，因为它们是在个循环区域和信号电平通常比内室更少障碍更好。因此，因其被去除影响是不相关。暗区对应教师客房和实验室,他们是有效，是我们需求区域。图三层和四层需求区域实验室主要占据了三楼，而教员室主要占据四楼。该套客房形成了个矩形区域内免费空间。通过将总面积分割为需求点小四边形，从而获得区域映射。由于可变房间大小，我们定义个正方形尺寸单元，使得每个房间面积是该正方形区域整数倍。该思想是避免其中个单位属于两个相邻房间情况。与此对应，我们得到平方米平方单位，即上三楼,在楼。选择候选位置在下阶段，我们不得不选择候选位置到。个很好候选位置必须提供低成本安装和良好接入区域。像这样问题，如物理安全，可用基础设施和灵活性也与此有关。选择候选位置具有不同特点过程，让我们了解行为及其影响，并且试着发现些更加好覆盖区域。因此，我们选择了在实验室个候选地点在三楼，个在教员室四楼，两个在过道第和第地板。选择位置示于图。信号测量选择候选位置之后，我们必须从每个候选基站接收到每个需求点计算或测量信号电平。在室外环境中，这通常是通过信号预测算法计算。在我们工作，我们优选测量在各需求点接收信号。大量需求点和每个点,平方米小区域将使每个需求点很难衡量信号电平。该问题是由分割群组需求点，但增加群组而解决。通常情况下，我们形成了四个或六个需求点组。对于每个组，我们只进行个测量，我们假定所测量信号电平有相同值所有组元素。用这种简化，每个基站必要测定次数从降低到。通信信号质量测量单位是分贝。较高值意味着更好信号质量。超过分贝值表示优良品质。值间和表示下分贝手段可接受信号质量和价值较差或没有通信能力。已完成信号测量使用软件，由制造商实施。这个软件可以让我们登记，同时从每个基站接收信号并保存信息日志文件，以便后来分析使用。在测量过程中，我们证实，在每个点处信号电平对移动单元障碍物和高度非常敏感。由同样需求点作为参考，如果我们把移动单元通过向左或向右度，我们可以得到个完全不同信号电平。图示出了信号从不同到达同样需求点信号电平，同时两个不同水平变化移动单元都是旋转度。根据移动单元方向信号电平变化引入了个新组件来解决问题。在每个点处测量信号电平是不够，但它也有必要选择或计算信号值，该值最能代表该点处信号质量。我们定义了个方法，在每个需求点选择用于测量能够提供最有代表性信号信号电平。图收集数据，而移动单位被慢慢旋转，直到它完成了度。因此，我们试图代表移动单元在该点所有可能方位。用这种方法，对于每个需求点我们从每个基站获得约信号电平值。接下来步骤是分析和整合所收集信息。信号在个需求点电平是离散函数，这种行为是因为信号是很容易受到环境变化。我们定义，从而，种方法用于处理所述信号样本。对于每组在个需求点信号样本，我们在该点获得值进行排序。在这之后，我们丢弃样品指是低排序值和其他指是更高排序值。虽然这种丢弃可以认为非常高，以减少所测得零星值影响是很重要。其余信号样本平均值为值用来表示在该点处信号。在室内环境中信号电平分布，可以通过信号质量地图观察到。这些地图显示为每个需求点从每个候选到达信号电平。图示出信号质量地图为基站位于走道在三楼。在点表示基站位置。暗色代表内室和实验室最佳信号电平。过道信号不测量。请注意，个房间内信号电平大约恒定。这是因为在最大信号障碍墙，金属材料电梯和混凝土楼层和房间之间。这事实表明，我们分组需求方法点变小但增大群体是有效。负责另外个明显因素信号电平下降是基站和需求点之间距离。图干扰当安装时，被使用每个,它是必须指定信道频率。在我们工作中所使用工作站让我们选择个且只有个通道之间可用。如果两个相邻基站使用相同或附近通道，它们能干扰并降低了网络性能。我们进行了些测试，以验证干扰上影响。我们使用两台笔记本电脑，从我们有线局域网不同服务器下载约兆字节两个完全相同文件。我们进行了各种试验和验证最小在我们环境中有两个干扰基站之间通道距离为。测试些场景描述如下方案每个电脑通过相同基体上下载不同时间文件设计