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。     

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。     

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.     

应用模糊神经网络进行负荷预测的研究

应用模糊神经网络实现的预测系统通过对历史数据的自适应学习获得初始的模糊预测模型,借助等价结构的ANN基于实时数据的梯度信息对系统参数进行BP训练,具有较强的适应性和自学习能力.以电力短期负荷预测(STLF)为应用背景,进行了系统化的实验研究,结果表明这一智能化的预测系统的性能是令人满意的.     

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。     

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.     

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。     

电力系统短期负荷预测的一种模糊建模方法

预测问题在科学技术领域有着广泛的应用背景。本文介绍了一种短期负荷预测的模糊建模方法，基于三角形隶属函数和卡尔曼滤波器，辨识出电力系统的动态模型，并把辨识模型的仿真结果与系统实测值相比较，以检验模糊模型的可靠性。仿真结果表明，这种新的模糊建模方法具有较高的精度，为高度复杂的非线性电力系统模型化提供了一条新途经。此方法利用河北省某一地区具体的数据进行检验．得到了满意的结果。     

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。     

神经网络在考虑气温因素短期负荷预测中的应用

针对地区电网负荷易受气温影响的特点,本文提出了一种具有气温敏感性的基于BP算法的神经网络预测模型。模型中通过对温度数据变换后作为预测模型输入数据,合理地考虑了气温对负荷的影响。实际应用表明,该模型能有效地反映气温和负荷之间的变化关系。     

隶属函数的网络表达及其在声呐信号识别中的应用

根据神经网络具有高度非线性映射能力和并行计算能力，本文提出了一种用神经网络表达隶属函数的方法，得到的隶属函数可以并行计算隶属度，并能适应环境的变化；同时利用这种方法网络输出的隶属度以及模糊集合的代数运算，本文采用了多网络组合结构，应用到声呐回波信号识别中，与单网络结构相比，取得了较好的识别效果     

依据混沌理论进行非线性系统建模变量个数的最优选取

依据确定性混沌理论,提出一种非线性系统建模变量选取的方法。仿真例子表明,无论是对典型的混沌系统的时间序列建模,还是对具有混沌特性的经济系统的时间序列建模,采用所提出的方法选取建模变量所建模型的拟合精度很高,预测和泛化能力相当好。     

A Hierarchical Self-Organizing Map Model in Short-Term Load Forecasting

This paper proposes a novel neural model to the problem of short-term load forecasting. The neural model is made up of two self-organizing map nets – one on top of the other. It has been successfully applied to domains in which the context information given by former events plays a primary role. The model was trained and assessed on load data extracted from a Brazilian electric utility. It was required to predict once every hour the electric load during the next 24 hours. The paper presents the results, and evaluates them.     

FNN在分布式环境中的负载均衡研究

以工作站机群系统（NOW－Network of Workstations)为研究对象，提出一种基于模糊神经网络（FNN）的负载预测和负载均衡策略，负载均衡是并行计算机系统研究中的关键问题之一，传统的负载均衡技术，如集中策略及阈值策略等，总是以当前计算机的实际负载进行任务调度，没有考虑负载预测问题，从而使计算机的资源消耗较大，易造成负载均衡控制滞后的情况，本文将模糊神经网络引入负载的衡策略，利用其处理不确定性问题和自学习能力，进行负载预测，较好地解决这一问题，最后通过仿真，证明了此方法的有效性。     

Computational Intelligence Techniques for Short-Term Electric Load Forecasting

Electric load forecasting has received an increasing attention over the years by academic and industrial researchers and practitioners due to its major role for the effective and economic operation of power utilities. The aim of this paper is to provide a collective unified survey study on the application of computational intelligence (CI) model-free techniques to the short-term load forecasting of electric power plants. All four classes of CI methodologies, namely neural networks (NNs), fuzzy logic (FL), genetic algorithms (GAs) and chaos are addressed. The paper starts with some background material on model-based and knowledge-based forecasting methodologies revealing a number of key issues. Then, the pure NN-based and FL-based forecasting methodologies are presented in some detail. Next, the hybrid neurofuzzy forecasting methodology (ANFIS, GARIC and Fuzzy ART variations), and three other hybrid CI methodologies (KB-NN, Chaos-FL, Neurofuzzy-GA) are reviewed. The paper ends with eight representative case studies, which show the relative merits and performance that can be achieved by the various forecasting methodologies under a large repertory of geographic, weather and other peculiar conditions. An overall evaluation of the state-of-art of the field is provided in the conclusions.     

模糊非线性规划对称模型基于遗传算法的模糊最优解*

本文基于扩展原理,借助于隶属函数,对具有一般形式的Ｆｕｚｚｙ数,提出了描述和表达Ｆｕｚｚｙ目标和Ｆｕｚｚｙ约束条件的方法,将一类具有Ｆｕｚｚｙ目标／资源约束非线性规划的对称模型转化为确定性的非线性规划。基于遗传自救的思想提出了Ｆｕｚｚｙ环境下求解非线性规划对称模型的Ｆｕｚｚｙ最优解方法。     

基于级联网络的电力系统短期负荷预测

电力系统短期负荷预测对电力系统运行设计具有十分重要的意义。因此,在分析了电力负荷运行曲线的基础上,提出了一种基于级联模糊神经网络的预测模型。该模型采用基于神经网路理论的模糊模型参数辨识方法,很适合于复杂系统的模糊预测和控制。详细地对输入量的选择和学习算法进行了分析。实例表明,此方法具有町靠、鲁棒性好和快速等特点,优于神经网络电力负荷预报方法。     

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。