模糊神经网络在短期负荷预测中的应用

电力系统短期负荷预测是电力部门的一项重要工作,它对合理安排机组启停、确定燃料供应计划、进行电力交易等都具有重要的意义。因此,短期负荷预测方法的研究一直为人们所重视。 根据以往电力系统短期负荷预测的方法,本文对神经网络与模糊系统基本理论与方法进行了较深入细致地研究,分别建立了基于神经网络和模糊神经网络的两种负荷预测模型。 在基于神经网络的负荷预测方法中,首先对数据进行归一化处理,然后分别采用附加动量法和L-M 规则修正的误差反向传播算法,并对两种算法的计算速度和精度进行了比较,最终采用预测效果较好的L-M 规则修正的误差反向传播算法进行负荷预测。 基于模糊系统与神经网络的理论与方法,本文提出了一种集模糊推理、神经网络结构与学习算法于一体的模糊神经网络预测模型,构成了基于神经网络的模糊推理系统。本文提出了基于树型结构的模糊推理规则的抽取算法,同时给出了模糊规则树的定义。针对建模过程中出现的节点“维数爆炸”问题,本文将模糊规则树林抽取算法应用到模糊神经网络的建模过程中,大大减少了模糊神经网络中的节点个数,降低了整个负荷预测模型的学习与预测复杂度,提高了负荷预测的效率。 最后,通过对武汉地区1999 年9 月29 日电力负荷进行的预测与实际负荷的比较,证明基于模糊神经网络的负荷预测模型具有更好的预测精度,而且整个模型更加简单且训练时间比较快。