短期电力负荷的模糊神经网络预报方法

提出了一种用于短期电力负荷预报的模糊神经网络预报方法，该方法可以直接由模糊信息预测出未来一天或一周的各小时负荷，文中通过实际处例证所提模型和方法的有效性。     

基于模糊神经网络的异步电机转速估计方法

根据异步电机的数学模型,提出基于模糊神经网络的异步电机转速估计方法。将传统参考自适应系统中原有的自适应调节机构用一个具有在线学习能力的模糊神经网络取代,得出了一种基于模糊神经网络的异步电机转速估计方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电机实际转速的变化,具有良好的性能。     

基于模糊神经网络的异步电机转速估计方法

根据异步电机的数学模型,提出基于模糊神经网络的异步电机转速估计方法。将传统参考自适应系统中原有的自适应调节机构用一个具有在线学习能力的模糊神经网络取代,得出了一种基于模糊神经网络的异步电机转速估计方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电机实际转速的变化,具有良好的性能。     

基于模糊神经网络的单相自适应重合闸的研究

将模糊神经网络应用于单相自适应重合闸中,以模糊理论和人工神经网络理论为基础构造了一个多输入模糊神经网络,用于识别瞬时性故障与永久性故障.该网络以取大取小运算部分代替了乘积求和运算,并采用了从样本中获取模糊规则的方法.利用Matlab进行了大量仿真实验,验证了该方法的可行性与准确性;在仿真的基础上,将多输入模糊神经网络与BP神经网络进行了比较,证明了多输入模糊神经网络在单相自适应重合闸中应用的优越性.     

基于减法聚类及自适应模糊神经网络的短期电价预测

提出了基于Takagi-Sugeno模型的自适应模糊神经网络的短期电价预测方法。首先采用减法聚类方法确定自适应模糊神经网络的结构，然后利用混合学习算法训练该网络的前件参数和结论参数，最后将影响未来日电价的相关因素输入到训练好的自适应模糊神经网络中进行电价预测。以美国加州电力市场公布的1999年负荷与电价数据进行模型训练和预测，结果表明采用该方法所建立的预测模型具有较高的预测精度。     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

用于APF的神经网络自适应谐波电流检测方法

介绍了一种应用于有源电力滤波器APF(Active Power Filter)的神经网络自适应谐波电流检测方法。该方法应用自适应噪声抵消技术ANCT(Adaptive Noise Canceling Technology),将基波电流作为噪声信号,从负载电流中滤除,得到谐波电流。采用两层人工神经网络实现噪声抵消。阐述了该神经网络的构造和权值自适应调整算法,应用Matlab对该方法进行了仿真研究。仿真结果表明该方法能够实时准确地检测谐波．而且计算量小．具有较强的自适应能力。     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点，综合考虑了温度及日期类型等因素对日最大负荷的影响，提出了一种采用模糊神经网络进行短期负荷预测的方法，并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素，进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型，并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

一种神经网络电力短期负荷预报器

介绍了现已在美国和加拿大的35家电力公司使用的第三代人工神经网络短期负荷预报器ANNSTLF.它包含两个神经网络,一个预报基本负荷,另一个预报负荷变化,两部分负荷经自适应组合计算出最终预报.湿度和风速对负荷的影响通过温度线性变换考虑.一种新颖的加权插值算法大大提高了节假日预报精度.10家不同电力公司的预报数据表明系统性能优越.     

基于粗糙集的模糊神经网络控制器的研究

针对现代工业过程的不断复杂化和其中非线性、不确定性因素的增加,给出了一种基于粗糙集的模糊神经网络控制器的设计方法,该方法将粗糙集理论与模糊神经网络结合起来,利用粗糙集从观测的输入输出数据中提取规则,并寻求最小规则集,解决了模糊神经网络"规则爆炸"问题。通过在MATLAB平台上进行仿真,结果表明该方法具有良好的控制能力,对于突加干扰具有良好自适应能力。     

分区支持向量回归及其在负荷预测中的应用

为解决局地短期电力负荷预测问题,给出了一种基于自适应聚类分区和支持向量机回归的多模型变结构负荷预测新方法.首先根据局地电力负荷的特点,使用模糊C均值聚类方法给出预测时间点的自适应分区;然后利用支持向量回归方法对不同分区分别构建预测子模型;最后提出一种基于仿真分析的模型评估和参数优化方法,在测试评估的基础上优化确定各子模型的参数,并适当调整各分区的结构.实验表明该预测方法比常用的神经网络预测方法具有更高的准确率和更强的鲁棒性.     

一种新型模糊神经网络自适应控制器

文章利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力,将其与自适应控制方案结合,并取带有控制增量约束的广义目标函数作为优化指标;从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上分别采用Davidon最小二乘法和带有动量项的BP算法。仿真结果表明了该方法的有效性。     

基于补偿模糊神经网络的中期电力负荷预测研究

提出一种基于补偿模糊神经网络的电力负荷预测方法,介绍了给予模糊逻辑和神经网络的补偿模糊神经网络(CFNN)及其学习算法,充分利用神经网络非线性逼近能力的优点并结合CFNN学习速度快、全局稳态优化运算等特点,建立中期电力负荷预测模型,并用 MATLAB 编写了计算程序,进行了实例计算,并验证了 CFNN 用于电力负荷预测的有效性。     

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型.该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足.某电网实际预测结果表明,该方法具有较好的预测效果.     

基于模糊自适应PI控制的有源电力滤波器仿真

有源电力滤波器(APF)的控制方法是影响有源电力滤波器补偿性能的关键因素,同时也影响其应用的范围。本文提出了一种更为先进、更能能体现有源电力滤波器非线性控制特点的控制策略—模糊自适应PI控制,并利用Matlab软件对该控制策略的可行性进行了仿真。     

神经网络在线学习模糊自适应控制及其应用

基于反馈误差学习法,提出了一种神经网络在线学习模糊自适应控制结构。利用模糊推理机产生的分目标学习误差训练神经网络,避免了控制器的输出产生振荡或进入饱和状态。工程应用表明,该方法将模糊推理引入神经网络学习中,可有效地提高系统的控制品质。     

模糊神经网络在电力系统边际电价预测中的应用

文章针对短期电力系统边际电价预测研究和应用中存在的用多元回归等传统方法建模困难、用ANN方法学习速度慢和易陷入局部极小点等问题,利用模糊神经网络具有接受和处理模糊数据、自适应地以任意精度逼近映射函数、不要求明确的数学描述等优点,建立了基于模糊神经网络的系统边际电价预测模型.通过具体实例测算及现场运用,证明了该方法为提高电力市场中边际电价预测精度、制定和实施科学合理的发电企业报价策略提供了可靠的支持.     

用于APF的改进型神经网络自适应谐波电流检测方法

介绍了一种用于有源电力滤波器(Active Power Filter,APF)的神经网络自适应谐波电流检测方法。该方法利用了自适应噪声抵消技术(Adaptive Noise Canceling Technology,ANCT),神经网络采用了线性神经元,权值的调整采用了改进型变步长LMS算法,解决了负载电流突变时跟踪效果差的问题。应用Matlab对该方法进行了仿真研究,仿真结果表明无论负载电流突然增加还是减小,本方法均能快速地检测出谐波电流,且稳态精度高,实现简单,自适应能力强。     

RBF神经网络与自适应模糊系统

从ＲＢＦ神经网络与模糊推理诉等价性角度出发,给出了一种基于ＲＢＦ神经网络的模糊系统实现形式,使模糊系统具有从输入输出样本数据中提取模糊规则的能力,从而使模糊系统具有自适应、自学习能力。仿真结果表明,该方法是可行的和有效的。     

电力系统负荷预报的神经网络LBP算法

本文提出了一种能够反映工作日电力负荷波动性并可同时进行假日负荷预报的神经网络算法。该算法在一个神经网络中构造多个相互关联的子网络,将一周７日根据负荷特点分为四类特征日期,通过解码器根据输入的日期特征量激活对应的子网络,对基训练并作出预报。通过对实际系统的实验表明,该算法具有较高的预报精度。