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(Dynam ic 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。     

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。     

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。     

基于模糊神经网络与灰色理论的负荷预测方法

提出了基于模糊神经网络(FNN)和灰色理论的电力负荷预测方法,分析了灰色理论的局限性并做出改进;将等维新信息递推GM(1,1)模型与模糊神经网络相结合,解决了模糊神经网络和灰色理论样本空间不能变换、计算误差不能及时修正2个缺点,并以内蒙古电网负荷预测为例,应用MATLAB语言对系统进行仿真.测试结果表明,该方法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。