基于模糊聚类理论的水量短期预测方法

为提高城市供水系统水量负荷的预测精度,提出一种基于模糊聚类理论的城市管网水量短期负荷预测的新方法.该方法通过对负荷历史数据进行聚类、隶属度分析,利用模糊聚类参数来描述负荷与影响因素之间的关系,并应用这种确定的相关关系进行负荷预测.应用MATLAB语言进行预测仿真得到基于模糊聚类的模糊训练结果、最终预测结果和预测误差.实践表明该方法较多地考虑各种影响因素,结构简单,预测精度高.     

影响电力系统短期负荷预测因素的权重分析方法

将负荷预测问题归为多因素问题,影响负荷预测的各因素的重要程度定量为权重。着重对负荷预测的权重分配算法进行了研究,将模糊聚类技术和粗糙集理论结合,利用客观信息熵对影响负荷的因素进行权重分配。该算法首先将负荷预测的大量相关数据进行模糊聚类,然后应用粗糙集理论中的信息熵客观地从负荷预测的实际数据中确定各因素的权重,并将所得权重应用于基于决策树的负荷预测模型中;与其他方法进行了比较,证明了该方法的有效性。     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于模糊C均值聚类的织物平整度等级评定

采用模糊C均值聚类客观评定织物平整度等级。首先介绍了模糊C均值聚类的基本方法和思路，模糊聚类可以将输入特征值进行聚类并分组；然后利用模糊C均值聚类对输入特征值进行聚类分析，不同平整度等级的织物模板被分属于不同的模糊聚类中心；最后选取26种不同类型的织物样本进行测试，试验结果表明，客观评价与主观评价的相关系数达到97．38％，评定准确率超过90％。     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

基于模糊聚类和粗糙集的电力系统短期负荷预测

电力系统短期负荷预测中存在大量的不确定因素直接影响到负荷预测结果的准确性,而粗糙集理论能有效地分析和处理各种不精确、不一致、不完整的信息,并从中发现隐含的知识,揭示潜在的规律。将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷进行预测。首先通过模糊聚类分析,根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类,然后应用粗糙集理论分别建立相应的负荷预测模型。采用某电网提供的数据进行负荷预测,结果分析表明该方法有很高的预测精度,从而说明了基于模糊聚类和粗糙集理论的电力系统短期负荷预测方法的优越性。     

层次匹配范例推理在短期负荷预测中的应用

提出了一个改进的范例推理系统来解决电力系统短期负荷预测问题,该系统将范例推理、自组织映射以及模糊粗糙集方法进行了有效的结合.使用模糊粗糙集方法确定了范例的表示、组织方法，并通过自组织映射对历史范例进行聚类.将新问题所对应的范例与各个聚类中心进行匹配，得到最相似聚类，再在该聚类中进行二次匹配，对得到的最相似范例集进行重用、修正，从而得到最终预测结果.使用模糊粗糙集方法可以进行范例属性和匹配权重的合理选择，同时使用自组织映射对历史范例进行聚类，可以减少范例匹配次数和匹配时间.使用该方法不仅可以合理利用历史范例，而且可以通过属性选取、聚类来获取附加知识.实例验证和比较结果表明该负荷预测方法是有效可行的.     

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.     

基于改进的模糊C均值聚类的负荷预处理

SCADA系统采集的电力负荷数据由于各种原因,会存在一些坏数据。在负荷预测中,必须仔细而合理地对历史负荷数据进行处理。电力负荷预处理应该充分考虑负荷曲线本身的特征,即平滑性和相似性。模糊C均值算法可以较好地进行聚类,但是其由于存在聚类数和初始聚类中心未知的问题,因此提出改进的模糊C均值算法——IFCM,即使用改进K均值算法确定初始聚类中心,引入粒度原理确定最佳聚类数。首先采用IFCM对日负荷曲线进行聚类,产生各类特征曲线;然后计算每个时刻点的方差,根据3σ法则进行坏数据的辨识;最后利用特征曲线对坏数据进行修正。针对四川某电网的实际电力负荷进行分析,表明了模型的实用性。     

基于电力需求响应的公共建筑基线负荷预测

针对公共建筑基线负荷难以有效预测的问题,提出了一种基于模糊C 均值聚类预处理的人工神经网络预测方法。采用聚类算法,将大量的复杂历史数据集划分成多个群体的混合,每个群体对应单独的预测模型进行预测。该方法减少了培训数据,克服了标准方法数据量大和处理速度慢的缺点。将预测结果与标准的人工神经网络方法相比较,得到了较高的预测精度,能有效预测公共建筑基线负荷。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

电动汽车充电负荷预测系统研究

根据规划的电动汽车在未来规模化的应用将对电网产生重要影响,电动汽车充电负荷预测是分析电动汽车接人电网的基础,目前还没有比较成熟的方法。综述电动汽车接人对电网的影响和电动汽车负荷预测的研究现状,分析充电负荷预测的影响因素,并基于分布函数的蒙特卡洛计算模拟,开发一套区域电动汽车充电负荷预测系统,可实现对不同电动汽车种类、不同电池容量、不同充电方式、不同充电频率等情况下的综合预测,为电动汽车接人电网的影响分析和调控策略制订提供理论和技术支持。     

数据挖掘技术用于负荷与负荷影响因素的相关性分析

电力系统短期负荷预测中存在大量的不确定因素直接影响到负荷预测结果的准确性,将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷与影响因素进行相关性分析。通过模糊聚类分析,根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类,提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性。     

基于模糊聚类理论的电力系统短期负荷预测的方法

依据模糊聚类理论 ,提出一种短期负荷预测的新方法 ,应用相应的隶属度来描述负荷与影响负荷因素之间的关系。实践表明 :该方法可以较多的考虑各种影响因素 ,从而较大地提高了预测的精度。     

Fuzzy集值映射的级数,积分及积分方程

本文在文[2,7]的基础上进一步地讨论了Fuzzy集值映射以及Fuzzy集值映射级数的若干性质,并利用逐次迭代法给出了Fuzzy集值映射的数性核Fredholm积分方程的求解方法。最后,对数性核积分型算子的固有值、固有函数的性质得到了若干结果。     

基于室外温度的供热负荷预测研究

本文基于最小二乘法的预测方法,运用线性回归分析整理系统的历史数据,并将天气预报中的室外温度作为自变量,供热负荷作为因变量,同时利用这两个变量的历史数据作为预测样本,对其进行最小二乘法拟合。通过拉依达法判别粗大误差,最终确定线性关系中的回归系数,从而提高供热负荷预测精度。     

基于人工神经元网络的工厂电力负荷短期预报

讨论用人工神经元网络技术对工厂企业的电力负荷（用电量）峰值作为短期预报,分析负荷运动畸变对预报精度的影响,仿真预报算例证实,人工神经元ＢＰ学习预报算法对工厂企业电力负荷的预报能得令人满意的效果。