基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制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预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

GRNN算法在电力系统负荷建模中的应用

针对传统负荷模型不能有效地克服负荷建模中的非线性和不连续性等问题,提出了一种基于广义回归神经网络的负荷建模方法.利用广义回归神经网络具有的全局逼近和最佳逼近能力及网络稳健、快速收敛的优点,建立了新的电力系统综合负荷模型.并与两种改进的反向传播网路模型进行了比较,仿真实例证明了该模型对电力系统负荷模型辨识的有效性和准确性.     

模糊聚类与径向基网络相结合的短期负荷预测

为了提高电力系统短期负荷预测的准确度,采用模糊聚类分析的方法对已知负荷数据、日类型、温度和天气类型等影响短期负荷预测的相关因素进行聚类分析,选用同类特征数据作为神经网络的输入,对径向基函数神经网络进行训练,得到一组预测值,从而实现电力系统短期负荷预测.实际算例表明模糊聚类分析与径向基函数神经网络相结合的短期负荷预测可以更好的满足实际预测要求,提高预测精度.     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制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预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。