模糊神经网络在电力短期负荷预测中的应用

提出用于电力短期负荷预测(SILF)的一种模糊神经网络(FNN)方法，该方法针对BP网络收敛速度慢、易导致局部极小值的缺点，将考虑气候、温度、星期类型等影响因素的模糊技术与快速二阶BP网络相结合，并以南方电网负荷预测为例，应用MATLAB蚀语言对系统进行仿真训练，测试结果表明，该方法具有较高的预测精度。     

基于模糊逻辑和神经网络的电力负荷预测

设计并实现了神经网络和模糊逻辑相结合的综合预测模型进行短期电力负荷预测。由神经网络和模糊逻辑分别对基本负荷和受天气、节假日影响的负荷进行预测,使其在天气突变等情况下也能达到较高的预测精度。采用此模型对石家庄电力系统负荷进行预测分析,取得了令人满意的结果。     

模糊神经网络在电力市场短期负荷预测中的应用

在电力市场下的短期负荷预测问题中，考虑到天气和其它影响因素，将模糊系统与神经网络在负荷预测系统中按串联方式连接组成模糊神经网络（FNN），进行短期负荷预测。在负荷预测过程中，首先对负荷、天气、日期等数据进行模糊化处理，然后采用两种典型有效的改进BP算法对神经网络进行训练，并比较其速度与精度等。最后用训练好的网络进行预测，将预测结果与实际数据进行比较，证明其具有较好的预测效果。     

基于模糊逻辑和神经网络的短期电力负荷预测

本文分析了天气和节假日对电力负荷的影响 ,建立了神经网络和模糊逻辑相结合的综合预测模型进行短期负荷预测。预测结果经两步得出 ,首先训练神经网络 ,令其预测基本日负荷曲线 ,然后利用模糊逻辑根据天气因素以及是否节假日等情况对负荷曲线进行修正 ,使其在天气突变等情况下也能达到较高的预测精度。采用此模型对石家庄电力系统负荷进行预测分析 ,取得了令人满意的结果。     

模糊神经网络在非线性短期负荷预测中的应用

为提高负荷预测精度,提出了一种新的4层模糊神经网络短期负荷预测模型.该模型将模糊逻辑和神经网络的长处融合在一起,使模糊推理和解模糊均通过神经网络来实现.选取的隶属函数使神经网络权值有一定的知识表示意义,并通过模糊化层将输入特征量转化为模糊量.在模糊推理层提出了两种不同的算法来完成模糊推理,然后从中确定出模糊取小算法预测效果更好.最后在输出层通过适当的解模糊得到确切的预测输出值.仿真结果表明了该方法的有效性.     

模糊神经网络在电力市场短期负荷预测中的应用

在电力市场下的短期负荷预测问题中,考虑到天气和其它影响因素,将模糊系统与神经网络在负荷预测系统中按串联方式连接组成模糊神经网络(FNN),进行短期负荷预测.在负荷预测过程中,首先对负荷、天气、日期等数据进行模糊化处理,然后采用两种典型有效的改进BP算法对神经网络进行训练,并比较其速度与精度等.最后用训练好的网络进行预测,将预测结果与实际数据进行比较,证明其具有较好的预测效果.     

改进Pi-sigma神经网络及其算法在短期负荷预测中的应用

针对电力负荷的特点,综合考虑历史负荷、天气、日类型等因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于改进Pi-sigma神经网络及其算法的短期负荷预测模型,用于预测预报日的各小时负荷,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.地区电网的实际应用证明了该算法的有效性.     

递归神经网络及其在电力短期负荷预测中的应用

本文用递归神经网络逼近非线性ＡＲＭＡ模型预测电力短期负荷。与传统方法以及前馈神经网格方法比较，递归神经网络由于其能自学习逼近非线性ＡＲＭＡ模型而具有较高的预测精度，预测方法也比较简单。这在我国电力供应紧张的情况下，对提高我国的电力负荷预测水平，合理安排电力生产计划具有一定的现实意义。     

基于BP神经网络的电路负荷预测研究

基于电力负荷预测在电力系统中的重要性,提出了电路负荷分析方法,并通过对某市负荷数据的分析,建立了神经网络短期负荷预测模型,并进行实验验证,模型具有较高的精度,且具有很强的稳定性,适合多种不同的预测环境。     

混合模型神经网络在短期负荷预测中的应用

提出了可应用于电力系统负荷预测的混合模型神经网络方法,该方法同时具有电力系统负荷预测的传统方法的优点及人工视网络方法的优点,该方法中,不同的负荷分量采用不同类型的预测方法,并采用基本绵谐振分量作神经网络的输入,神经网络的训练采用快速的学习算法进行,该方法具有很强的实时性和适应性,适用于没有气象资料的应用场合,仿真计算的结果表明,预测精度较传统来得高。     

在预测领域中应用模糊控制的研究

预测问题在科学技术领域中有着广泛的应用背景.提出了将基于误差反馈和专家经验的闭环模糊控制引入预测系统,用于修正预测输出、提高预测精度和鲁棒性的设想.以电力负荷预测为背景,进行了一系列实验研究,结果证明在预测领域中应用模糊控制是有效的,从而为其它控制方法在预测领域的应用研究开辟了前景.     

广义动态模糊神经网络用于股市预测

提出一种用广义动态模糊神经网络预测股票价格的方法,网络结构可随模糊规则在学习过程中逐渐增长而自动调节,以达到预测最优化.通过选用实用的技术参数指标作为网络的输入变量对上证指数的收盘价进行预测,取得了较为理想的效果.     

基于改进粒子群算法的模糊神经网络及其在短时天气预报中的应用

提出一种基于改进粒子群模糊神经网络进行短时天气预测的方法,将粒子群算法与模糊人工神经网络进行融合,充分发挥粒子群算法全局寻优的优势。以上海地区天气预报作为实例,建立了基于改进粒子群算法的多模型模糊神经网络预报模型,试验结果表明该方法对于短时天气预报具有较好的准确度,得到了上海中心气象台有关专家的肯定。     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

一种基于模糊加权型推理法的模糊神经网络

本文在Ｍａｍｄａｎｉ模糊推理法的基础上,给出了改进的模糊加权型推理法－广义模糊加权型推理法。     

一种新型模糊神经元网络控制器的设计方法

本文根据模糊基函数展开的性质构造出一种简化形式的模糊神经元网络（ＦＮＮ）。这种网络可以对任一种非线性函数进行全局逼近，因此它可以用于非线性控制系统。因为这种ＦＮＮ具有自适应性，所以用它实现的器可以更好地达到理想的控制效果，通过在模型参控制中的应用证明了此种ＦＮＮ的有效怀。     

智能系统中获取模糊规则的神经网络方法

智能系统中一类重要的定性知识要用模糊集理论中的模糊语言进行描述。本文在研究模糊定性知识形式描述和自组织竞争神经网络特性的基础上，提出了一种从一组具有数值特性的训练样本集中获取隶属函数和模糊规则的神经网络模型和方法。通过对Ｉｒｉｓ数据集的应用实验表明了该方法能对这一类数据进行有效的描述。     

单体模糊神经网络的函数逼近能力

研究了单体模糊神经网络的函数逼近能力,由于在ＭＦＮＮｓ中神经元的基本运算由原来的积－和运算改为求极小－极大运算,网络的函数逼近性质发生了很大的改变。给出了单调传递函数的ＭＦＮＮｓ按序单调特性,连续映射定理以及非函数一致逼近定理,从而说明ＭＦＮＮｓ虽然能够保持连续映射,但不如原神经网络具有函数逼近能力。     

模糊神经网络技术综述

首先讨论了模糊神经网络协作体的产生和优越性，随后将模糊神经网络划分为狭义模糊神经网络、用模糊逻辑增强网络功能的神经网络和神经模糊系统，并分别介绍了各自的网络结构和学习算法，最后介绍了模糊神经网络的工业应用．     

基于神经网络的自适应模糊控制器

本文提出了一种基于神经网络的自适应模糊控制器，控制器为５层前向结构，其输入和输出均为数值量。根据给定的训练数据，通过学习算法，能够实现前件参数和后件参数的辨识，提取控制规则，最后通过仿真实验证明了这种方法的有效性。