A REAL_TIME SHORT_TERM LOAD FORECASTING SYSTEM BY ARTIFICIAL NEURAL NETWORK *

应用人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ—ＡＮＮ）设计短期电力负荷预测（Ｓｈｏｒｔ＿ｔｅｒｍＬｏａｄＦｏｒｅｃａｓｔｉｎｇ—ＳＴＬＦ）系统,利用广州电网的负荷数据进行仿真,分别作出提前１小时和未来２４小时的整点负荷预测,获得比较满意的预测精度,显示出人工神经网络应用于短期电力负荷预测的良好前景．由于建立小时模型、改进了训练样本集的选取办法及采用高效率的ＬＭ（Ｌｅｖｅｎｂｅｒ＿Ｍａｒｑｕａｒｄｔ）训练算法,使ＡＮＮ的训练速度大大加快,形成可以实时训练和预测的ＡＮＮ＿ＳＴＬＦ系统．     

结合神经元网络和模糊专家系统进行电力短期负荷预测

结合人工神经元网络（ＡＮＮ）和模糊专家系统进行负荷预测．给出了径向基函数（ＲＢＦ）网络的结构,并采用正交最小平方法（ＯＬＳ）选取ＲＢＦ中心．先用ＡＮＮ进行基本负荷预测,然后考虑天气变化和假日因素所引起的负荷变化,利用模糊专家系统进行负荷调整．文中还把日期划分为５类．测试结果表明,该方法具有较高的精度和较快的速度．     

基于人工神经网络的实时短期负荷预测系统

应用人工神经网络设计短期电力负荷预测系统,利用广州电网的负荷数据进行仿真,分别作出提前１小时和未来２４小时的整点负荷预测,获得了比较满意的预测精度,显示出人工神经网络应用于短期电力负荷预测的良好前景。由于建立小时模型,改进了训练样本集的选取办法及采用高效率的ＬＭ训练算法,使ＡＮＮ的训练速度大大加快,形成可以实时训练和预测的ＡＮＮ－ＳＴＬＦ系统。     

基于模糊算法的判决神经网络

在判决神经网络（ＤＢＮＮ）的基础上提出了一种基于模糊算法的模糊判决神经网络（ＦＤＢＮＮ）．在网络训练中引入置信度和容噪度的概念,提高了网络分类的稳定性,同时克服了（ＤＢＮＮ）在训练样本混有噪声时学习困难和泛化能力不高的缺点．因ＦＤＢＮＮ在学习时的不均匀性,大大加快了网络训练的时间,提高了训练的效率．实验结果表明,ＦＤＢＮＮ的性能高于ＢＰ网,而且也比ＤＢＮＮ在稳定性和识别率上有了显著的提高．     

基本FFET的试制和性能研究

论述了铁电场效应晶体管（ＦＦＥＴ）的基本工作原理，给出了其设计方案．采用ＳＯＬ－ＧＥＬ法制备了基本的ＭＦＳ－ＦＥＴ和ＭＦＯＳ－ＦＥＴ，对其电性能进行了测试分析．测试结果表明：ＭＦＯＳ结构的ＦＦＥＴ具有极化存储特性．     

非晶态合金的自旋波激发与结构涨落及超精细场分布

本文研究了非晶态（ａ）－Ｆｅ－ＴＭ－Ｓｉ－Ｂ（ＴＭ＝Ｃｏ，Ｓｉ，Ｍｏ，Ｎｂ）合金从１．５Ｋ到３００Ｋ的磁化强度及室温穆斯堡尔谱，得到了成里温度Ｔｃ、饱和磁化强度σｓ（０）、自旋波颈度常数Ｄ及平均超精细场等。结果表明，（ａ）对于Ｆｅ８３Ｓｉ５Ｂ１２，当Ｎｂ，Ｍｏ与Ｓｉ，Ｃｏ取代Ｆｅ后，Ｆｅ－（Ｎｂ，Ｍｏ）－Ｓｉ－Ｂ的磁性质不同于Ｆｅ－（Ｓｉ，Ｃｏ）－Ｓｉ－Ｂ；（ｂ）ａ－Ｆｅ－（Ｍｏ，Ｎｂ，Ｃｒ，Ｗ，     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

静高压在多层Al／Fe—Mo—Si—B纳米合金复合材料…

在３￣５．５ＧＰａ的压力范围内，经过８７３Ｋ，３０ｍｉｎｈ等温热处理由非（Ｆｅ０．９９Ｍｏ０．０１）７８Ｓｉ９Ｂ１３（ＦＭＳＢ）条带和纯金属Ａｌ片交替叠成的样品，制备出多层Ａｌ／Ｆｅ－Ｍｏ－Ｓｉ－Ｂ纳米合金复合材料。研究了静高压在复合材料制备中影响非晶ＦＭＳＢ合金晶化相，Ｆｅ－Ｍｏ－Ｓｉ－Ｂ纳米合金晶粒度和Ａｌ／Ｆｅ－Ｍｏ－Ｓｉ－Ｂ复合材料界面相的规律及机制。     

MFS和MFOS结构的C－V特性研究

采用ＳＯＬ－ＧＥＬ方法分别在Ｓｉ和含有ＳｉＯ２的衬底上制备出ＰＺＴ铁电薄膜，并获得了ＭＦＳ和ＭＦＯＳ结构．利用ＭＯＳ结构常用的Ｃ－Ｖ特性分析方法，对ＭＦＳ和ＭＦＯＳ结构进行了高频Ｃ－Ｖ特性测试分析，研究了Ｆ／（Ｏ）Ｓ的界面特性，结果表明，金属／ＰＺＴ／ＳｉＯ２／Ｓｉ的ＭＦＯＳ结构具有较低的界面态，可实现极化存储，并可望制成铁电场效应晶体管．     

基于多阶段的模糊C-均值算法的模糊聚类分析研究

对模糊聚类分析算法进行研究,在模糊Ｃ－ 均值算法（ＦＣＭ）的基础上加以改进,将聚类过程分为二个阶段,形成多阶段模糊Ｃ－ 均值算法（ＭＦＣＭ）,使其对Ｉｒｉｓ数据聚类．研究表明：多阶段的模糊Ｃ－ 均值算法比模糊Ｃ－ 均值算法性能优越．     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定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和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

超过指数增长速度的年度用电量曲线拟合预测

为有效预测超过指数增长速度的年度用电量,选用超阶乘、二重指数等可线性化的函数,对年度用电量进行曲线直接拟合外推预测．采用这些新的数学函数预测北京年度用电量,拟合平均相对误差绝对值小于4．2%,2006年校验误差小于1．9％．超阶乘、二重指数函数不仅可用于超过指数增长的负荷预测,还可用于纠正线性回归、指数平滑和移动平均等方法对增长负荷预测值偏小的系统误差     

模糊理论在电力负荷预测中的应用

提出了一种预测电力系统负荷的新方法。该法首先根据模糊聚类分析的方法对电力负荷及其相关环境因素的历史样本进行归纳分类，然后采用合适的模糊数及模糊集刻画出各类样本中负荷变化的模式及环境因素的特征，最后，由未来环境因素状态判定未来负荷变化属于哪种模式，从而预测出电力负荷的未来值。文中以我国某省中期负荷预测为例，说明了所提方法的有效性。     

模糊神经网络在超声马达位置控制中的应用

提出了利用模糊神经网络控制器 (FNN)实现对超声马达位置进行控制的方法 ,并提出适应法则进行在线训练 ,以减小由于参数的不确定性和外部干扰对超声马达所产生的影响 ,提供了FNN控制器的结构图。仿真与实验研究表明 ,FNN控制器能够实现对超声马达位置的精确控制     

天气数据模糊化处理对神经网络短期负荷预测模型的影响研究

介绍了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法,计及了天气和日期特征量．应用模糊集理论将天气和日期特征量模糊化后作为BP神经网络的一部分输入进行训练,同时考虑实际历史负荷数据构造了短期负荷预测模型,预测未来24h负荷．通过典型算例与普通BP方法预测结果相比,表明该方法是有效的并具有较高的预测精度．     

基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

大跨平屋盖结构风压分布特性的神经网络模型

影响大跨平屋盖结构风荷载分布特性的因素很复杂，且具有不确定性，仅靠风洞试验难以完整的描述其风荷载分布的整体特性，针对这种情况，本文中提出用改进的BP神经网络和模糊神经网络两种方法来建立反映大跨平屋盖结构风压分布特性的模型，并用试验数据进行了验证．结果表明，这两种模型都能很好的逼近和预测大跨平屋盖结构风压分布的特性，相比之下，改进的BP神经网络稳定性较好，但逼近速度慢，精度也不高；而模糊神经网络由于结合了模糊系统和神经网络的优点，其稳定性好，逼近速度快，且精度高，这表明模糊神经网络方法是预测大跨平屋盖结构风压分布特性的有效途径，在结构风工程中具有广阔的应用前景。     

模糊神经网络在短期电力负荷预报中的应用

提出了一种用于短期电力负荷预报的模糊神经网络方法,该方法可以直接由模糊信息预测出未来一天或一周的各小时负荷,文中通过实际算例验证了所提模型和方法的有效性。