基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

神经网络模型在用电负荷预测中的应用

在电力系统规划中,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势,文中引入三层反向传播的神经网络模型（ＢＰ网络模型）对居民用电负荷情况进行了分析,并采用变化学习速率的方法对网络进行训练。     

BP神经网络在电力系统短期负荷预测中的应用

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BP神经网络进行电力系统短期负荷预测时，根据影响因素确定了模型构成，并对输入变量选择进行了讨论，典型算例的计算表明该方法是有效的。     

应用级联神经网络预测供热锅炉次日小时热负荷的初步研究

通过对供热锅炉房热负荷的分析，建立了基于两个BP网络的级联神经网络(CNN)。相关性分析表明，可将时间序列负荷数据作纵横向分离，横向相关系列负荷可作为CNN前一BP子网络的输入数据，纵向相关系列负荷可作为CNN后一BP子网络的输入数据。前一BP子网络用于小时负荷的初始预测，其预测结果加入后一BP子网络的输入系列，实现对负荷的精确预测。按照此模型，建立了某一印染厂锅炉房次日小时蒸汽负荷的CNN预测模型。程序运行结果表明该模型在预测时足够准确可靠。     

应用神经网络进行短期负荷预测

以某地区购网有功功率的负荷数据为背景,建立了３个BP神经网络负荷预测模型———SDBP,LMBP 及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部 最小点的缺点,采用具有较快收敛速度及稳定性的L唱M（Levenberg唱Marquardt）优化算法进行预测,使平均相对误 差有了很大改善,而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力。     

基于BP神经网络的电力系统负荷预测研究

通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于BP神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。     

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。     

基于多因素影响的负荷预测神经网络方法

电网的负荷是一个受多种因素影响的量。负荷预测的准确性对电网的安全、经济运行有着重要的影响。把各个影响因素与负荷之间建立解析表达式是非常困难的。本文考虑多种影响因素,用神经网络的方法对农网进行负荷预测,具有方法简便、预测精度高,速度快的特点。     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

基于人工免疫算法的神经网络电力系统短期负荷预测

在BP神经网络（Baek-propagatlon neural network, BPNN）模型中引入人工免疫算法（Artificial Immune Algo-rithm,AIA）,给出了AIA-BPNN模型,基本思想是结合AIA算法的搜索特性和BPNN 模型的优良性能,可以进一步提高学习能力．与实际电力系统结合构造了AJA-BPNN电力系统短期负荷预测模型,通过使用AIA算法,优化BPNN的权值和阈值。使BPNN权值和阈值选择的盲目性得以克服．     

基于神经网络的非正常工况预报

分析了PTA生产中氧化反应器尾氧浓度的影响因素,提出一种用小波分析对数据进行降噪处理的方法。采用BP神经网络并对其进行了一定程度的改进。通过降噪前后的网络仿真结果对比,表明基于小波降噪的神经网络具有更好的精度和更强的泛化能力。用此网络预测尾氧浓度,实现了对非正常工况的预报。通过实际对比,表明该网络能够较理想地预报出非正常情况。     

遗传算法与神经网络在洪水预报中的应用

采用遗传学习算法对神经网络BP模型的初始权重进行优化,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。将该方法运用于洪水预报问题,并利用山西省文峪河水库的历史资料条件建立一个网络,以洪水预报的各种控制因素相关资料作为样本,对网络进行训练并用训练好的网络进行预报。网络的训练速度及预报结果表明,该算法收敛速度较快,预测精度很高,为洪水预报提供了一种新思路和新方法。     

基于pi-sigma神经网络的模糊建模与控制及其仿真研究

提出了一种基于高木-关野模糊系统的pi-sigma神经网络结构、学习算法,并分析了学习算法的收敛性.用这种混合型pi-sigma神经网络系统去实现模糊规则及其隶属函数的修正,从而得到模糊推理的自适应性.在设计过程中,引入Zadel模糊取乘算子,使之适合基于梯度的学习算法.最后的仿真结果表明此种网络的有效性、优越性并且在非线性建模、控制等方面有重要的应用价值.     

基于量子遗传算法优化的灰色神经网络预测模型

将量子遗传算法用来对灰色神经网络参数做出优化,提出了一种通过量子遗传算法优化灰色神经网络进行预测的建模方法.应用实例表明,文章建立的模型拥有良好的预测效果,可以作为传统方法的一种补充.     

基于贝叶斯正则化BP神经网络的股票指数预测

提出了利用贝叶斯正则化BP神经网络对股票指数进行预测.通过对比实验表明,贝叶斯正则化的BP神经网络比相同条件下采用其他改进算法有较好的泛化能力,对股票指数预测有很好的效果.     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于矩形函数系的模糊神经网络及其应用

提出了一种基于矩形函数系的模糊神经网络，其特点是输入空间被划分为许多大小一致且互不相交的超立方体，而每一个超立方体中的模糊神经网络都具有常值输出，只有当一个超立方体内落入样本时，相应的样栈才被编码后作为“规则”记忆下来。因此，这种网络可以自动生成模糊规则，关于静态误差的定理表明，将这种网络用于一类非线笥系统的在线控制中，当输入空间的划分足够小时，可使非线性系统的静态误差任意小，仿真实全怨表明，将这     

BP神经网络在水华短期预测中的应用

为解决影响因素多、作用关系复杂的水华预测问题,将BP神经网与水体环境因子的高频实测数据相结合,构建了巢湖水华的短期动态预测模型,该模型准确地预测了每次水华发生的时间,预测值与实际观测值相关系数可达0.608 4;在分析BP神经网络自身局限性的基础上,研究了建模过程中输入输出数据预处理、网络结构设计、训练模式选择等问题,给出了水华预测中确定环境因子和建模方案的具体方法.该方法容易移植到其它湖库,提高了模型的实用性和通用性.     

一种神经网络模型算法控制的研究

本文提出了一种利用人工神经网络来实现的模型算法控制，通过神经网络的离线学习和在线修正产生预测作用，并由智能控制单元实施控制作用。仿真表明，该控制方法具有良好的控制特性和鲁棒性，且适用于非线性系统。     

一类新型神经网络模型及其控制器设计

提出一种新型神经网络模型(HNM)·此模型是一种本质非线性模型,但可以应用线性控制理论的成果来设计稳定的控制器,并且模型中的连接权系数有各自的物理意义,可以通过经验来确定其初始值·同时通过分析对角矩阵的稳定性,给出了基于HN模型的控制器的设计方法及稳定性证明·仿真结果表明HN模型的有效性及控制器的优良性能·