基于自适应成模糊逻辑系统的短期负荷预测方法

提出了一种基于自适应最优模糊逻辑系统的电力系统短期负荷预测方法。首先通过最近邻聚类算法对负荷历史数据进行分组,再将第一组数据（一个聚类）视为一个数据对,用最优模糊逻辑系统来进行预测系统的建模。实验结果表明,这种预测方法具有简单、实用等特点,且产高的精度。     

电力负荷短期预测的模糊专家系统修正方法

针对人工神经网络短期负荷预测方法的不足,考虑天气中的日平均气温,天气状况以及特殊事件等影响负荷变化的主要因素,利用专家经验,模仿专家处理问题的方法,设计了一个模糊专家系统,对负荷预测结果进行修正,以提高负荷预测精度,通过合理选择模糊推理规则的原因,有效地减少了规则的数目,使得人工总结专家经验并确定模糊推理规则成为可能,减少了计算量,提高了算法速度。     

模糊专家系统用于短期负荷预测修正的初步探讨

针对人工神经网络短期负荷预测方法的不足,考虑天气中的日平均气温以及特殊事件等影响负荷变化的主要因素,利用专家经验,模仿专家处理问题的方法,设计了一个模糊专家系统,对负荷预测结果进行修正,以提高负荷预测精度.通过合理选择模糊推理规则的形式,有效地减少了规则的数目,使人工总结专家经验并确定模糊推理规则成为可能,并减少了计算量,提高了算法速度.     

基于自适应最优模糊逻辑系统的短期负荷预测方法

提出了一种基于自适应最优模糊逻辑系统的电力系统短期负荷预测方法。首先通过最近邻聚类算法对负荷历史数据进行分组,再将每一组数据（一个聚类）视为一个数据对,用最优模糊逻辑系统来进行预测系统的建模。实验结果表明,这种预测方法具有简单、实用等特点,且能达到较高的精度。     

智能化的短期负荷预测系统

应用模糊逻辑系统、人工神经网络和模糊专家系统等智能技术风云地某省电网设计出的具有自学习和自适应能力的短期负荷预测软件包,主要用于自负荷曲线的预测,指导生产计划制定和调度安排。该软件包是基于Ｗｉｎｄｏｗｓ的应用程序,具有开放式的结构和友好的人机界面。试用结果表明,该系统在进一步完善后,可望实际应用于地区和省网调度系统中。     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

大波动地区级系统短期负荷预测方法研究

提出了针对容量较小、负荷波动较大的地区级电力系统适用的短期负荷预测方法,共分为四个步骤：①原始数据的预处理,②用模糊系统预测预测日的峰谷值,③用人工神经网络预测预测日的24h负荷值,④根据第②③步的结果用专家系统决定最终的负荷预测值。利用本文提出的方法对福建永安电力系统1999年1月至2000年6月的数据进行预测,结果证明了方法的快速性和准确性。     

大波动地区级系统短期负荷预测方法研究

提出了针对容量较小、负荷波动较大的地区级电力系统适用的短期负荷预测方法 ,共分为四个步骤 :①原始数据的预处理 ,②用模糊系统预测预测日的峰谷值 ,③用人工神经网络预测预测日的 2 4h负荷值 ,④根据第②③步的结果用专家系统决定最终的负荷预测值。利用本文提出的方法对福建永安电力系统 1999年 1月至 2 0 0 0年 6月的数据进行预测 ,结果证明了方法的快速性和准确性。     

模糊集理论在电力系统短期负荷预测中的应用

由于模糊系统能够在任意精度上一致逼近任何定义在致密集上的非线性函数,具有从大量数据中提取相似性的强大能力,且能同时利用数据信息和语言信息,因此模糊集理论在电力系统短期负荷预测中得到了越来越广泛的应用。文中对模糊集理论应用于电力系统短期负荷预测中的研究现状进行了综述,包括模糊集理论分别与专家系统、传统的预测技术、人工神经网络相结合在短期负荷预测中的应用,以及模糊逻辑系统在短期负荷预测中的应用,并指出     

自适应神经网络在负荷动态建模中的应用

人工神经网络(ANN)具有的自适应、自学习、非线性重构等特点，使之成为解决电力系统负荷建模的有效途径。该文利用模糊理论对典型BP神经网络(TBP)的学习速度因子和权值惯性因子进行修正，采用自构形学习算法对网络拓扑2个方面进行改进，提出自适应神经网络(ABP)。结合现场试验和仿真数据，对TBP和ABP在负荷建模的速度和精度2方面进行了比较。同时，就负荷建模问题对自适应神经网络模型阶次和隐层神经元个数等因素进行了探讨。     

一种基于模糊逻辑和神经网络的短期负荷预测的方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,采用了具有高度非线性映射能力的人工神经网络与具有较强结构性知识表达能力的模糊逻辑相结合的算法来预测负荷,经初步测试表明,该方法具有良好的预测精度。     

混合模糊神经网络在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,将模糊逻辑和神经网络的长处融合在一起,构建了混合模糊神经网络短期负荷预测模型,用于预测预报日的负荷。其中针对模糊神经元的权值更新问题,采用了一种新的权值更新算法——一步搜索寻优法,进一步减小了预测误差。实际算例证明了该模型的有效性。     

基于模糊逻辑与神经网络的短期负荷预测

针对电力系统受多种因素影响的特点,应用模糊逻辑理论和人工神经网络两种方法,发挥各自优势,设计出一个有效的电力系统短期负荷预测系统。该系统着重考虑温度、日期类型以及特殊日期等因素对负荷的影响,实际测试证明可以提高系统的预测精度,适合在电力系统短期负荷预测中应用。     

Next day load curve forecasting using hybrid correction method

This work presents an approach for short-term load forecast problem, based on hybrid correction method. Conventional artificial neural network based short-term load forecasting techniques have limitations especially when weather changes are seasonal. Hence, we propose a load correction method by using a fuzzy logic approach in which a fuzzy logic, based on similar days, corrects the neural network output to obtain the next day forecasted load. An Euclidean norm with weighted factors is used for the selection of similar days. The load correction method for the generation of new similar days is also proposed. The neural network has an advantage of dealing with the nonlinear parts of the forecasted load curves, whereas, the fuzzy rules are constructed based on the expert knowledge. Therefore, by combining these two methods, the test results show that the proposed forecasting method could provide a considerable improvement of the forecasting accuracy especially as it shows how to reduce neural network forecast error over the test period by 23% through the application of a fuzzy logic correction. The suitability of the proposed approach is illustrated through an application to actual load data of the Okinawa Electric Power Company in Japan.     

基于神经网络-模糊推理综合模型的短期负荷预测

针对由于神经元网络泛化能力不足等原因造成的预测精度不高甚至出现坏数据从而难以适用于负荷波动厉害的电网情况，提出一种基于神经网络-模糊推理综合模型的短期负荷预测方法。该方法结合了神经网络和模糊推理的优点，通过模糊推理来修正神经网络输出的预测结果，能有效地提高预测精度。特别是对于受天气影响比较明显而天气变化又比较剧烈的电网，能有效防止不合理预测结果的出现。在武汉电网的实际运行情况说明了本算法的有效性。     

以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法

根据电力系统短期负荷预测的特点,采用神经网络与模糊逻辑互补的方法建立了负荷预测模型.通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选,以与待预测量相关性大的参数作为输入,不仅减少了神经网络的工作量,缩短了计算时间,而且提高了预测的准确性;在神经网络中,通过引进动量系数和遗忘系数优化网络,提高了ANN的收敛速度;在模糊逻辑中,充分利用了人们对负荷变化取得的主观经验,引进不平均隶属函数,来反映负荷对温度的敏感性.     

神经网络短期负荷预报模糊化改进

提出了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法 ,计及了天气和日期特征量 ,具有较高的预测精度。采用两种学习算法 ,用实际数据对ANN进行了训练 ,通过比较得出了优化模型。计算实例表明用该方法是可行的、有效的