基于减法聚类的模糊神经网络负荷建模

负荷模型是决定电力系统仿真结果可信度的关键因素之一,本文从非机理模型的角度,提出一种基于减法聚类的模糊神经网络的负荷建模新方法.首先对建模样本输入输出数据进行特征分析,建立其山峰密度函数,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数.在此基础上建立综合负荷模型的模糊初始结构.通过神经网络对推理数据进行学习,获取模糊推理规则,同时调整隶属函数的参数,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模.通过对实测综合负荷的有功和无功建模实例,证明了该方法具有很高的拟合精度和收敛速度,对负荷建模具有重要的指导意义.     

基于人工神经网络的综合负荷模型

指出了BP神经网络应用于动态综合负荷建模时存在的缺陷。提出了一种适合描述综合负荷动态特性的具有内反馈功能的动态Elman神经网络负荷模型,并采用改进遗传算法作为优化算法对某220 kV变电站综合负荷采集样本进行建模。大量建模实践表明,文章所提出的动态Elman神经网络综合负荷模型具有结构简单、参数少、应用简便、对综合负荷动态特性描述能力强等优点;Elman神经网络不仅对动态负荷建模具有良好的实用价值,也是一种很适合于电力系统其他动态非线性辨识的神经网络模型结构。     

基于模糊小波网络的电力系统短期负荷预测方法

提出一种基于模糊小波网络的短期负荷预测模型。模糊小波网络结合了小波变换良好的时频局域化性质、模糊推理和神经网络的学习能力,因此函数逼近能力大大提高。模糊小波网络由一组模糊推理规则和若干小波子网络组成,其中模糊规则的结论部分与某一特定尺度的小波子网络相对应。在学习过程中通过同时调整小波基函数的平移因子和隶属度函数的形状,使得模糊小波网络的精度和泛化能力大大提高。实例计算表明,这种模型是切实可行的。     

基于模糊小波网络的电力系统短期负荷预测方法

提出一种基于模糊小波网络的短期负荷预测模型.模糊小波网络结合了小波变换良好的时频局域化性质、模糊推理和神经网络的学习能力,因此函数逼近能力大大提高.模糊小波网络由一组模糊推理规则和若干小波子网络组成,其中模糊规则的结论部分与某一特定尺度的小波子网络相对应.在学习过程中通过同时调整小波基函数的平移因子和隶属度函数的形状,使得模糊小波网络的精度和泛化能力大大提高.实例计算表明,这种模型是切实可行的.     

分布式冷热电联供系统负荷随机模糊建模

基于天然气的冷热电联供(CCHP)系统负荷随机性和模糊性共存,有效提取其不确定特征对CCHP系统优化调度运行有重要意义。文中提出一种分布式CCHP系统负荷随机模糊建模的方法。首先基于CCHP系统冷热电负荷历史数据,发现其可以用n阶正态分布加权和方法描述其概率分布特征,并获得电负荷与冷热负荷的概率密度函数,进一步分析该函数的参数,可知其不具有完全的统计性质,因而具有认识意义的模糊性,通过对参数的隶属函数和机会测度函数特征的提取,从而定义电负荷与冷热负荷为随机模糊变量;其次分析电负荷与冷热负荷两类变量之间的耦合特性;最后结合随机模糊模型及各类负荷间的耦合特性,提出了CCHP系统接入电网负荷随机模糊建模方法及其相应建模步骤。湖南省某市接入10kV的CCHP系统的历史负荷数据样本仿真结果验证了该模型的有效性和正确性。     

基于遗传算法的模糊神经网络在动态系统辨识中的应用

复杂不规则系统的语言建模构成了许多控制／决策系统的核心问题,模糊逻辑是进行语言建模最有效的方法之一。本文介绍了一种基于模糊逻辑、神经网络和遗传算法的语言建模方法,并给出了新型的混合学习算法,即：首先由自组织算法确定出模糊神经网络的初始隶属度函数;其次由最大匹配因子学习算法完成模糊规则确定;最后提出了一种改进的遗传算法用来优化调节已经获得的隶属度函数。通过具体的仿真实例说明了所提出的建模方法在动态系     

应用模糊神经网络的短期负荷预测

提出用于短期负荷预测的模糊系统。该系统具有神经网络的结构和学习算法,称模糊神经网络ＦＮＮ。ＦＮＮ以现有的历史负荷生成规则,以最小隶属度法增补规则。规则参数经过修正后,ＦＮＮ的输出能与负荷数据很好地吻合。一经训练,ＦＮＮ就能预报未来负荷。     

考虑需求响应综合影响因素的RBF-NN短期负荷预测模型

为提高计及需求响应的短期负荷预测精度,通过量化电价、用户响应程度以及温度等外界因素,构建了考虑需求响应综合影响因素的径向基函数神经网络(radial basis function-neural network,RBF-NN)短期负荷预测模型。结合峰谷分时电价(time-of-use price,TOU price),根据消费者心理学原理描述了基于Logistic函数的用户模糊需求响应机理,用于有效辨识用户对峰谷电价的响应参数。利用半梯形隶属度函数消除用户响应模糊属性,将需求响应精确量化结果引入RBF-NN预测模型。通过实际算例,分析了该文构建模型在不同电价机制下的预测性能,证明了在RBF-NN模型中综合考虑电价、用户响应度等因素的重要性,为计及需求响应的短期负荷预测研究提供了一定的理论依据。     

考虑多重不确定性因素的售电公司购售电决策模型

售电公司参与市场交易面临着负荷、现货价格及需求响应等多重不确定性,综合考虑多重不确定性因素并根据其特点进行建模有利于提高购售电决策的有效性.首先,提出分时电价下计及用电成本满意度和用电舒适满意度的可转移负荷响应优化模型;其次,考虑用户响应行为的不确定性,建立基于模糊隶属度函数和消费者心理学的可削减负荷响应模型;然后,分...     

基干聚类和模糊神经网络的模糊系统设计及应用研究

利用聚类技术和模糊神经网络的学习能力从模糊控制系统的现场数据中获取模糊规则，自动调节隶属函数，把被控对象的建模与控制规则的建立统一为模糊神经网络结构参数的生成和学习问题，用于一个化工过程控制问题，取得了满意的结果。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

ANFIS在短期负荷预测中的应用

为使负荷预测更精确,鉴于预测对象的不确定性和非线性,采用ANFIS预测电力系统短期负荷。ANFIS将模糊理论与神经网络融合,利用神经网络实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。该系统具有非线性映射和自学习能力,不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验获取控制信息,能用于负荷预测的非线性建模,获取负荷数据的最佳估计,克服数据处理过程中存在的不确定性和不完备性。所用ANFIS模型为2输出1输入5层1阶Sugeuo模糊系统。利用某局网负荷数据训练和检测ANFIS网络模型后预测负荷,结果表明该算法鲁棒性好,抗干扰能力强,能有效补偿对象的大纯滞后。     

用自适应模糊推理系统预测电力短期负荷

为寻求有效的电力系统负荷预测方法以提高预测结果的准确度,提出了基于Takagi-Sugeno(T-S)模型的自适应神经模糊推理系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。考虑气象、日期类型等因素后将学习样本分为3组进行训练和检测。该方法对于受天气影响较明显的电网,能有效防止不合理预测结果的出现。对于武汉地区实际负荷的预测结果的分析表明该方法有较高的预测准确度,取得了令人满意的结果。     

A hybrid intelligent approach for the prediction of electricity consumption

Power load forecasting is an essential tool for energy management systems. Accurate load forecasting supports power companies to make unit commitment decisions and schedule maintenance plans appropriately. In addition to minimizing the power generation costs, it is also important for the reliability of energy systems. This research study presents the implementation of a novel fuzzy wavelet neural network model on an hourly basis, and validates its performance on the prediction of electricity consumption of the power system of the Greek Island of Crete. In the proposed framework, a multiplication wavelet neural network has replaced the classic linear model, which usually appears in the consequent part of a neurofuzzy scheme, while subtractive clustering with the aid of the Expectation–Maximization algorithm is being utilized in the definition of fuzzy rules. The results related to the minimum and maximum load using metered data obtained from the power system of the Greek Island of Crete indicate that the proposed forecasting model provides significantly better forecasts, compared to conventional neural networks models applied on the same dataset.     

一种密度聚类模糊神经网络的建模方法

针对仅依赖于输入输出样本数据的复杂系统建模问题,借鉴模式识别聚类分析的理论思想,提出了基于密度聚类提取样本数据模糊规则的理论和方法,通过密度聚类法提取样本数据输入输出变量间的内在规则,并根据密度聚类提取规则的特点,建立了基于密度聚类的模糊逻辑推理方法,确立了一种基于密度聚类的模糊神经网络(DFNN)模型结构。以石化过氧化氢异丙苯(CHP)分解反应过程为对象,进行了仿真建模比较分析,结果表明在模型精度和可靠性上,均优于基于C均值聚类提取规则的模糊神经网络(CFNN),验证了DFNN建模方法的有效性。     

A self-organizing knn fuzzy controller and its neural network structure

This paper introduces a fuzzy controller that can be designed without specific information on the membership functions and the fuzzy rules. We show how the membership values of crisp inputs can be determined by K-nearest-neighbour (KNN) distance measures applied to the centres of the input clusters. Based on this new type of membership values, we introduce a KNN defuzzification method that allows the direct estimation of the crisp output of the given input data. the proposed computational model requires a clustering (self-organizing) process. We employ a simple clustering method that can adaptively allocate new clusters as more data become available to the controller. We prove that the resulting controller can uniformly approximate any real and continuous function to any desirable accuracy on a compact set. For hardware implementations we develop a neural network structure of the proposed fuzzy controller and compare it with other types of neural networks. It is shown that the three-layer sigmoid neural network and the Gaussian radial basis function (GRBF) network are special cases of this structure. A learning algorithm for the new structure is provided. the performance of the proposed controller is considered through three application studies: a controller design for truck backer-upper control, the prediction of the S&P 500 index, and the prediction of the Mackey-Glass time series.     

电力负荷动特性实测建模的外推和内插

本文在处理实测数据的基础上介绍了综合负荷动特性建模的一些基本概念和问题；比较了差分方程模型和人工神经元模型在非线性外推和内插上的优劣。     

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。