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(DynamicFuzzyNeuralNetwork),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。