基于径向基函数和模糊逻辑的短期电力负荷预测

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,提出了将径向基(RBF)网络和模糊逻辑相结合的预测方法。利用具有非线性逼进能力的RBF神经网络预测出预测日的最大负荷值和最小负荷值,并用模糊逻辑预测出预测日的负荷系数,进而得到预测日的负荷值。实际算例表明:该方法同BP网络相比,具有较高的预测精度,证明了该方法的有效性。     

基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用

高预测精度的短期负荷预测对于坚强电网非常重要,根据电力负荷特性的变化规律,提出了一种改进的基于径向基函数神经网络的短期负荷预测方法,应用经GA优化的SVM多核径向基函数去提取有用数据,提高了基于RBF神经网络的短期负荷预测精度.以美国加州春季负荷为输入数据,应用MATLAB仿真说明改进算法的优越性和其鲁棒性.     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于神经网络模型的船舶电网短期电力负荷预测

恶劣海况时电力推进船舶的电网负荷波动较大,发电机组会频繁投入或退出电网,准确的电力负荷预测将有助于优化能量管理策略,保障电力系统的安全性,并提升用电效率。人工神经网络拥有很强的学习能力和泛化能力,能够有效的进行短期电力负荷预测。通过对反向传播(BP)、径向基神经网络(RBF)、Elman共3种不同的网络模型进行原理阐述、数据处理、模型建立及参数调整后,再对其在短期电力负荷预测的表现进行比较,RBF神经网络的预测效果及各项评价指标最优,且其模型建立最简便,因此相较于另外两种网络更适合进行短期电力负荷预测。     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

改进RBF神经网络在短期负荷预测中的应用

电力系统负荷预测对电力调度部门来说是非常重要的,精确的负荷预测是经济、可靠和安全的电力系统运行和规划的依据,直接关系到电力系统供电计划的制定和电力系统短期运行方式的安排。该文提出了一种改进的基于径向基函数（Radial Basis Function,RBF）神经网络的短期负荷预测的方法,经GA优化的SVM多核径向基函数去提取有用数据,提高了短期负荷预测精度,该文以吉林某地区春季负荷为输入,仿真结果表明算法的可行性。     

基于RBF神经网络和专家系统的短期负荷预测方法

深入研究了天气和特殊事件对电力负荷的影响,建立了结合径向基（RBF）神经网络和专家系统来进行短期负荷预测的模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线,然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正,使其在天气突变等情况下也能达到较高的预测精度。利用该模型编制的实用化软件在西北电网的多个电力局投入实际应用,结果表明：该方法用BP神经网络相比,具有较高的预测精度,同时具有较强的实用性。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于RBF神经网络的建筑逐时空调负荷预测模型

分别用径向基函数(RBF)神经网络模型和BP神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现RBF神经网络模型预测的均方根误差和平均相对误差都仅是BP神经网络方法的64%左右.仿真结果表明,RBF神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统.     

基于改进RBF神经网络的电力系统短期负荷预测

提出一种交替梯度算法,对径向基函数(RBF)神经网络的训练进行改进.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.采用该改进算法应用于电力系统短期负荷预测模型,综合考虑了气象、日类型等影响负荷变化的因素,预测结果表明该算法具有一定实用性.     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

基于径向基函数(RBF)神经网络的储层损害诊断技术研究

在石油勘探开发过程中会因各种原因造成储层损害,降低油井产量甚至停产,必须对损害储层进行准确定量诊断的基础上采取相应的解堵措施,提高或恢复油井产量．人工神经网络法是进行储层损害诊断较好的方法,但目前仅限于BP神经网络,或改进的BP神经网络的应用．本文通过对BP神经网络和径向基函数（RBF）网络的对比表明,径向基函数（RBF）网络具有收敛速度快、预测精度高等优点,并在确定影响储层敏感性和各损害类型因素的基础上,分别收集了各数据70组以上,然后进行了径向基（RBF）网络训练和应用,分别建立了径向基（RBF）神经网络在储层损害敏感性和定量诊断领域的应用,实现了对储层水敏性、盐敏性、速敏性预测,以及储层微粒运移、固相颗粒堵塞、水化膨胀和结垢损害程度的定量诊断;同时,提出的径向基（RBF）网络储层损害定量诊断法在孤东油田17口井上得到了检验,成功率达100％,证明RBF网络法与其它方法相比具有诊断结果准确性高、结论可靠、推广应用方便、收敛速度快等优点,提高了储层保护措施和解堵措施优化决策的科学性和准确性,在油田生产中发挥了重要作用．     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

基于人工神经网络的连续油管疲劳寿命预测

利用人工神经网络理论预测带有表面缺陷的连续油管的低周疲劳寿命。基于自组织特征映射神经网络(SOFM)与径向基函数神经网络(RBF),考虑连续油管表面缺陷的影响,建立连续油管寿命预测的混合网络模型。该模型利用SOFM神经网络的自组织聚类能力对样本进行分类,并将其分类中心及对应的权值向量传递给RBF神经网络,作为RBF神经网络径向基函数的中心,再利用RBF神经网络非线性逼近能力预测连续油管寿命。结果表明,SOFM和RBF混合神经网络的预测结果在精度与稳定性上优于BP神经网络。     

短期电力负荷的混沌预测及其神经网络的实现

短期电力负荷预测是工程技术人员安排电力调度的重要依据．研究了利用混沌理论与RBF神经网络相结合实现短期电力负荷预测的方法．并用该方法预测湖南某地区的月负荷,预测的数据准确率较好,为短期电力负荷预测提供了一条新的途径．     

基于RBF神经网络预测模型及其应用研究

利用径向基函数（Radial Basis Function,RBF）神经网络采预测结构初期损伤对整体的影响,可以有效地判断结构的稳定性．由于神经网络可以通过对样本的反复学习来反映整体结构复杂的非线性演化关系,其预测精度可以满足要求．RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性．本文通过有限元计算得出样本作为基础,采用RBF神经网络建立初期损伤的预测系统,通过最近邻聚类学习算法实行整体结构预测,这种研究思路具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强,计算效率明显优于传统方法．本系统采用Fortran语言编写,最后通过一个实例说明本系统的有效性及实用性．     

基于径向基函数的概率神经网络的心律失常自动识别

讨论了基于径向基函数(RBF)的概率神经网络的基本网络结构和网络的学习和运行过程,并且与BP算法 的径向基神经网络进行了对比,同时也测试了网络的容错能力．结果表明,基于RBF的概率神经网络,学习速度大 大提高,同时减小了BP陷入局部极小的问题,有一定的抗噪声的能力．基于RBF的概率神经网络模型在心律失常 自动识别中获得了很好的应用．     

基于RBF神经网络的城市快速路短时交通流预测研究

为检验灰色模型及径向神经网络模型用于短时交通流预测的可行性及适用性,本文分析和比较了灰色模型GM（1,1）和RBF径向神经网络模型对短时交通流的预测效果。仿真实例表明,灰色模型不适合用于短时交通流预测,而径向神经网络能够准确预测短期交通流的未来变化趋势,当径向基函数的分布密度值在0.8~1.0之间时能够取得较高的预测精度。     

基于RBF神经网络的数控车床热误差建模

对于数控车床而言，热误差是其最大的误差源，而其中最困难的是热误差建模．现有BP算法的神经网络模型存在学习收敛速度慢，容易陷入局部极小点的缺点．文中使用径向基函数理论建立了基于RBF神经网络的数控机床热误差数学模型．讨论了RBF网络参数的初始化及学习；给出了两种建模方式的RBF网络建模算例，将其建模性能指标与经典最小二乘法建模指标进行综合对比，可知RBF网络各项指标均优于经典最小二乘方法．最后验证了RBF网络建模的鲁棒性．结果表明：径向基神经网络模型与经典最小二乘线性模型相比，拟合性能更好，预测补偿能力强且建模时间短．