基于主成分分析法和自适应神经模糊推理系统的电力负荷预测

提出了一种基于主成分分析法与自适应神经模糊推理相结合的电力系统负荷预测方法，通过对影响电力负荷的相关因素进行主成分分析，减少自适应神经模糊推理系统的输入量，可以提高系统预测的效率。算例表明所提出方法是有效的和可行的。     

基于自适应神经模糊推理系统的风电功率预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。文中对多步滚动预测模式进行了分析,并建立了ANFIS(自适应神经模糊推理系统)预测模型,进而实现对风电功率的实时滚动预测。以吉林省西部某风电场的实测数据为例进行算例分析,其中在形成初始模糊推理系统结构时,采用的算法是减法聚类,该算法有效的避免了人工设定结构法产生的组合爆炸问题。将基于线性回归法、滑动平均法和持续法进行风电功率实时多步滚动预测时得到的预测结果与利用所提出的ANFIS预测方法得到的结果进行比较,结果表明后者的预测精度更高,进一步说明了ANFIS预测模型的有效性。     

基于自适应神经模糊系统的电力系统短期负荷预测

提出基于T-S模型（Takagi-Sugeno）的自适应神经模糊系统（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。应用武汉地区2005年夏季负荷数据对网络进行训练和检测，所得仿真结果表明此预测方法有效。     

自适应神经模糊系统的LiFePO_4电池SOC预测

利用自适应神经模糊系统(adaptive neuro-fuzzy inference system,ANFIS)对电动汽车磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析ANFIS结构原理基础之上,采用BP(back-propagation)算法和最小二乘估计的混合算法分别建立两输入变量和三输入变量的ANFIS预测模型,并利用两种模型进行SOC预测。实例预测结果表明ANFIS能精确预测磷酸铁锂电池SOC值,且三输入变量ANFIS模型预测精度得到改善;与实测相比,三输入ANFIS预测模型的最大绝对误差在1%以下,平均百分比误差(average percentage error,APE)小于2%。     

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.     

固体氧化物燃料电池的数学模型及自适应神经模糊辨识模型的研究

固体氧化物燃料电池(solid oxide fuel cell,SOFC)是21世纪最有生命力的发电技术之一。文章从SOFC实际应用的角度出发,应用改进的自适应神经模糊推理系统(adaptive neural fuzzy inference system,ANFIS)对SOFC建立了 负载稳定和负载变化2种情况下的电特性模型。由于数据来源不足,首先根据SOFC的工作原理,运用电化学、流体动力学等学科理论,建立SOFC的数学模型,基于该数学模型获取ANFIS辨识模型的训练和预测数据。仿真结果显示了改进的ANFIS技术对SOFC系统的建模和控制具有一定的实用价值。     

基于自适应神经模糊推理系统的低压配电无功补偿方法

简单介绍了自适应神经模糊推理系统(ANFIS)。通过LabVIEW软件对模糊神经控制器进行编程,并将其应用于低压配电系统无功补偿器,通过LabVIEW仿真及训练,该方法可以找到较为合适的电容器容量,从而达到较好的无功补偿效果。     

两种基于自适应神经模糊推理系统的风功率预测方法

随着风电渗透率的持续增长,风电功率预测的研究和应用变得非常重要,它将提高电网的安全性、稳定性和接纳能力。文中分别对基于风速预测和基于功率预测的两种风功率预测方法进行了分析,并建立了自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)预测模型。利用吉林省西部某风电场的实测数据,基于ANFIS预测模型采用两种预测方法进行实时多步滚动预测,并与基于线性回归法、滑动平均法和持续法的风电功率实时多步滚动预测得到的预测结果进行比较,结果表明前者的预测精度更高,说明了ANFIS预测模型的有效性,并发现基于功率预测的ANFIS预测方法的精度要高于基于风速预测的ANFIS预测方法。     

主成份分析法在电力负荷预测中的应用

负荷预测是电力系统运行和规划的依据。准确的负荷预测有利于提高电力系统运行的经济性和可靠性。提出了一种基于主成份分析法的电力负荷预测方法，通过对影响电力负荷的相关因素进行主成份分析，可以减少自适应神经模糊推理系统的输入量，从而提高系统预测的效率。算例表明所提出方法是有效和可行的。     

基于自适应神经模糊推理的水电机组故障诊断

使用模糊诊断方法对水轮发电机组的故障进行诊断，可以获得令人较为满意的分析结果。但无论是使用模糊逻辑诊断还是使用模糊聚类诊断，隶属函数的好坏将直接影响诊断系统的分析结果。使用MATLAB中的自适应神经模糊推理系统（ANFIS）可以更加准确地自动调整隶属函数参数。此外，利用MATLAB强大的模糊逻辑工具箱可以大大加快水电机组模糊诊断系统的开发速度。     

基于自适应网络模糊推理系统的开关磁阻电机建模方法

提出一种开关磁阻电机(switched reluctance motor,SRM)数学建模的新方法：在已知开关磁阻电机静态电感曲线和矩角特性曲线的基础上,将自适应网络模糊推理系统(adaptive network based fuzzy inference system,ANFIS)用于SRM的整体建模中。该模糊推理系统由5层网络构成,将模糊推理与神经网络有机结合起来,利用它的自学习功能计算出模糊系统的隶属度函数以及相应的模糊规则,形成一个结构简单、紧凑的网络来实现电机绕组电流、转子位置角与电感和转矩的非线性映射关系,然后离线训练得到电感与转矩模型。把这种基于ANFIS的电感和矩角模型应用于SRM的系统建模中,以550 W、6/4极SRM为例,进行了仿真与实验比较,结果表明此建模方法能够较好的反映SRM的实际工作状况,从而为SRM系统的建模分析与设计提供一种新的有力的工具。     

自适应和模糊推理结合的故障分类新方法

输电线上许多类型的故障伴随低阻抗故障和高阻抗故障发生,传统的保护方法不能正确地检测和分类.提出了一种基于自适应网络的模糊推理机制(ANFIS)对低阻抗故障和高阻抗故障进行故障检测和分类的新算法.算法的性能已得到韩国典型的154 kV输电线系统在各种故障条件下的测试.测试结果表明ANFIS能在半个周期内准确地检测故障和区分故障类型(包括低阻抗故障和高阻抗故障).     

基于模糊神经网络的三相自适应重合闸

为了避免重合闸重合于永久性故障,将模糊神经网络应用于三相自适应重合闸中,构造了一个多输入的模糊神经网络,设计了网络的算法,将三相端压有效值作为输入,经尺度变换、模糊化、归一化和清晰化,并利用梯度下降法修正误差,使得网络完成学习并最终收敛,在输入故障数据时能根据网络的输出结果准确地判别瞬时性故障与永久性故障。通过对模型的仿真获取神经网络的学习样本,并利用MATLAB进行了相应地仿真测试,验证了该算法的准确性,使得重合闸能够正确动作。     

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。     

基于自适应Smith预估器的补偿模糊神经网络控制

针对滞后慢时变系统,利用Adaline网络在线辨识被控对象的静态增益和纯滞后时问,实时调整Smith预估器的参数,并采用补偿模糊神经网络作为控制器的控制方法。将该方法用于纸浆浓度控制系统,仿真实验结果表明了该方法的有效性和实用性。     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.