基于模糊神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè).pdf

1、電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)調(diào)度運(yùn)營(yíng)和負(fù)荷管理的一項(xiàng)重要的日常工作，其預(yù)測(cè)精度的高低直接影響到電力系統(tǒng)運(yùn)行的安全性、經(jīng)濟(jì)性和供電質(zhì)量，它的特點(diǎn)可以歸納為：要預(yù)測(cè)的數(shù)據(jù)個(gè)數(shù)多、影響預(yù)測(cè)的物理因素復(fù)雜且具有隨機(jī)性和預(yù)測(cè)精度要求高等。由于負(fù)荷預(yù)測(cè)的復(fù)雜性、不確定性，從而使傳統(tǒng)的基于解析模型和數(shù)值算法的模型難以獲得精確的預(yù)測(cè)結(jié)果。 本文結(jié)合電力系統(tǒng)負(fù)荷預(yù)測(cè)中存在的問(wèn)題，在研究了神經(jīng)網(wǎng)絡(luò)(ANN)理論和模糊理論的基本概念和方法的基礎(chǔ)上，

2、提出基于神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)的兩種負(fù)荷預(yù)測(cè)方法。 在負(fù)荷預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)方法中，采用了神經(jīng)網(wǎng)絡(luò)中經(jīng)典的BP算法，提出了適合電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型，該模型充分利用了神經(jīng)網(wǎng)絡(luò)高度非線性建模能力。在保證有足夠的訓(xùn)練樣本的前提下，對(duì)預(yù)測(cè)模型進(jìn)行合理分類，構(gòu)造了相應(yīng)于不同季節(jié)和日類型的預(yù)測(cè)模型，并對(duì)輸入變量的選擇問(wèn)題，進(jìn)行了討論。 本文提出一種用于短期負(fù)荷預(yù)測(cè)的模糊系統(tǒng)。該系統(tǒng)集模糊推理、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法于一

3、體，構(gòu)成基手神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)，又稱模糊神經(jīng)網(wǎng)絡(luò)(FNN)。FNN利用神經(jīng)網(wǎng)絡(luò)的反向傳播算法，對(duì)24點(diǎn)每一個(gè)點(diǎn)建立一個(gè)預(yù)測(cè)模型，根據(jù)輸入輸出樣本來(lái)自動(dòng)設(shè)計(jì)和調(diào)整模糊系統(tǒng)的設(shè)計(jì)參數(shù)，實(shí)現(xiàn)模糊系統(tǒng)的自學(xué)習(xí)和自適應(yīng)功能，同時(shí)還實(shí)現(xiàn)了模糊預(yù)測(cè)模型的自動(dòng)更新，而且能不斷修正各模糊子集的隸屬函數(shù)，使模糊建模更具合理性。 ANN和FNN兩種方法都是從負(fù)荷變化的非線性本質(zhì)出發(fā)，結(jié)合負(fù)荷時(shí)間序列隨時(shí)間變化的特點(diǎn)，提出預(yù)報(bào)模型。在預(yù)測(cè)過(guò)程中，