基于改进DFNN的短期电价预测新方法

提出了一种改进的动态模糊神经网络DFNN(Dynamic Fuzzy Neural Network)的短期电价预测方法.首先对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息,最后用得到的属性作为动态模糊神经网络(DFNN)的输入进行训练预测.在模糊神经网络内部引入递归环节,构成了动态模糊神经网络,并采用具有全局寻优能力的遗传算法来训练网络,克服了单纯BP算法易陷入局部最优解的困境.最后以美国加州电力市场公布的2000年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度.     

基于RS和GA的动态模糊神经网络在短期电力负荷预测中应用

分析和探讨了粗糙集（RS）理论、遗传算法（GA）、模糊神经网络相结合的短期负荷预测方法。首先,对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息．最后用得到的属性作为模糊神经网络的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络DFNN（Dynamic Fuzzy Neural Network）,并采用具有全局寻优能力的遗传算法训练网络,克服了单纯BP算法易陷入局部最优解的缺点。用该方法与常用BP神经网络及Fuzzy法分别对某电网进行一周的日负荷预测．实例的对比分析表明了该方法收敛速度、预测精度和网络规模等方面都有较大改善。     

基于高斯混沌粒子群优化动态前馈神经网络的短期负荷预测

针对传统前馈神经网络(Feedforward Neural Network,FNN)存在收敛速度慢、易陷入局部极小和泛化能力差的缺点,提出用高斯混沌粒子群算法(Gauss Chaos Particle Swarm Optimization,GCPSO)取代传统训练方法对网络进行训练;针对前馈神经网络不能表征系统的动态特性,在前馈神经网络中引入动态延迟算子,构造动态前馈神经网络(Dynamic Feedforward Neural Network,DFNN),充分表征输入输出之间的非线性关系。将GCPSODFNN模型用于电力系统短期负荷预测,首先选择训练样本,然后针对训练样本,采用GCPSO对DFNN进行训练,最后采用测试样本进行模型验证,满足要求则用于未来负荷的预测。算例分析表明了该模型的实用性和准确性。     

基于减法聚类及自适应模糊神经网络的短期电价预测

提出了基于Takagi-Sugeno模型的自适应模糊神经网络的短期电价预测方法。首先采用减法聚类方法确定自适应模糊神经网络的结构，然后利用混合学习算法训练该网络的前件参数和结论参数，最后将影响未来日电价的相关因素输入到训练好的自适应模糊神经网络中进行电价预测。以美国加州电力市场公布的1999年负荷与电价数据进行模型训练和预测，结果表明采用该方法所建立的预测模型具有较高的预测精度。     

永磁同步电机动态模糊神经网络控制器设计

针对如何提高永磁同步电机控制系统的性能,将动态模糊神经网络(DFNN)运用到永磁同步电机调速系统中,充分利用动态模糊神经网络的学习能力与映射能力,实现模糊系统的参数和结构的在线学习.对采用这种控制器的永磁同步电机(PMSM)矢量控制系统进行了仿真研究.仿真结论说明采用动态模糊神经网络控制器的控制效果较传统PID控制而言,不仅响应速度快、超调小,而且具有非常好的鲁棒性.     

基于模糊粗糙集和神经网络的短期负荷预测方法

针对采用神经网络进行电力系统短期负荷预测时其网络输入变量的选择是影响预测效果的关键问题，该文提出使用模糊粗糙集理论解决这一问题：对采集到的信息进行特征提取、形成决策表；利用模糊粗糙集理论进行属性约简、去除冗余信息；用得到的属性作为BP网络的输入进行训练预测。该方法既全面考虑了影响负荷预测的历史时间序列、气象等各种因素，为合理地选择神经网络的输入变量提供了一种新的方法，又避免了由于输入变量过多而导致神经网络拓扑结构复杂、训练时间长等不足。计算实例表明，文中提出的方法是有效且可行的。     

基于DFNN的智能配电异构无线网络准入控制算法

为提高智能配电通信业务的服务质量,根据智能配电网对通信技术的要求,提出一种基于动态模糊神经网络(DFNN)的智能配电异构无线网络准入控制算法。在智能配电网络的异构准入控制模型中构建神经网络系统,以网络的接入阻塞率差作为系统参数强化学习的目标,对网络的负载均衡具有较好的动态适应性。神经网络系统在输入层较多时容易产生太多规则而影响决策结果,而DFNN通过计算当前系统规则的完备性,动态添加规则,并通过计算所有规则的重要性,动态删除规则,使得系统的规则有效而不冗余。仿真结果表明,该方法较多接入选择算法(MLB)明显降低了网络的接入阻塞率,相对于模糊神经网络算法(FNN)而言简化了系统结构,突出了规则的重要性,具有较低的接入阻塞率和更好的均衡效果。     

用相似性原理及人工神经网络预测电价

提出了用相似性原理和BP神经网络来预测日前市场出清电价的新方法,该法尤其适用于只能获得有限原始数据的情况。运用相似性原理对人工神经网络的训练模型进行选择,使其有与预测日相似的负荷特征。用选择出的相似训练模式对选定的BP神经网络进行训练,通过BP神经网络的反向传播过程不断修正模型中的神经元连接权值和阀值,实现对未来24 h市场出清电价的有效预测。对周末和节假日采用了峰值处理步骤后,此方法更加完整。最后以美国宾西法尼亚州、新泽西州和马里兰州公布的2002年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度。     

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。     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于遗传算法和径向基函数神经网络的短期边际电价预测

文章分析了影响电价的主要因素及电价的变化特点,讨论了电价预测模型中必需引入的影响电价的因素。在比较常用的几种电价预测方法的优缺点后,作者采用径向基函数神经网络(radial basis function neural networks,RBF)建立短期边际电价预测模型,用递阶遗传算法(HGA)同时训练RBF网络结构和参数。并以美国New England ISO公布的2002年历史电价数据进行训练和测试,与传统的BP网络预测模型相比较, 测试结果证明该模型的预测精确度是令人满意的。     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

基于神经网络的电力市场电价预测

以美国加州电力市场为背景,在分析了市场清算电价（MCP）的影响因素的基础上,采用了一种基于反向传播（BP）网络预测下一日市场清算电价的方法。该方法考虑了系统供求关系、历史负荷、历史电价等对未来时段电价的影响,建立了一个单隐层的神经网络结构。预测模型融合了模糊理论,利用隶属函数对温度（最高温度、平均温度、最低温度）进行了模糊处理,将这些因素作为神经网络的输入量。在负荷高峰时段,往往存在市场外机组的调度和参与者的策略性投标等问题,这些因素共同作用容易造成电价尖峰。建立一个节假日模型来预测节假日的电价。采用美国加州电力市场的历史数据进行了训练和预测分析,结果表明该模型具有良好的预测效果。     

分时电价下考虑储能调度因素的短期负荷预测模型

影响电力系统短期负荷预测的因素有多种,因此在进行短期负荷预测时,考虑的因素种类越多,预测的精度越高。在考虑环境因素的基础上,构建分时电价下考虑储能调度因素的改进鲸鱼算法优化Elman神经网络模型。在智能电网下,由于储能调度能够使传统的负荷曲线发生改变,首先在基于分时电价的基础上构建储能调度模型,对储能用户在各时段的充放电行为进行具体分析。然后由于Elman神经网络具有收敛速度慢、容易陷入局部最优等缺点,提出了一种改进的鲸鱼算法(MWOA)用于优化神经网络的权值和阈值,进一步提高了神经网络的收敛速度和全局寻优能力。最后构建考虑储能调度因素的短期负荷预测模型,通过对某地电网2018年7月至8月的数据为例进行仿真分析,并与所提到的其他预测模型进行比较。通过误差结果分析可知所提方法的预测精度更高,收敛速度更快。     

模糊神经网络在电力系统边际电价预测中的应用

文章针对短期电力系统边际电价预测研究和应用中存在的用多元回归等传统方法建模困难、用ANN方法学习速度慢和易陷入局部极小点等问题,利用模糊神经网络具有接受和处理模糊数据、自适应地以任意精度逼近映射函数、不要求明确的数学描述等优点,建立了基于模糊神经网络的系统边际电价预测模型.通过具体实例测算及现场运用,证明了该方法为提高电力市场中边际电价预测精度、制定和实施科学合理的发电企业报价策略提供了可靠的支持.     

基于小波变换的边际电价神经网络预测新模型

提出了一种基于小波变换和群智能演化的神经网络集成预测新模型,对日前交易边际电价进行预测.首先利用小波变换将历史边际电价序列分解为高频和低频部分,并分别构造学习样本作为神经网络集成的输入;然后将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,其寻优过程采用粗-细二阶段学习算法.在第1阶段,采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成单元;在第2阶段,采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出.美国加州日前交易电力市场边际电价预测算例表明,该预测方法可以获得较高的预测精度,且优于BP神经网络方法和ARIMA预测方法.     

基于分类识别深度置信网络的电力负荷预测算法

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法。对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值。其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能。仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高。