資源描述：
《基于人工和模糊神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于人工和模糊神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測摘要本文在分析了電力系統(tǒng)負(fù)荷預(yù)測的意義和方法后，闡述了人工神經(jīng)網(wǎng)絡(luò)和模糊推理系統(tǒng)的一般理論，并研究了基于人工神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)的兩種負(fù)荷預(yù)測方法。在負(fù)荷預(yù)測中的神經(jīng)網(wǎng)絡(luò)方法中，采用兩種途徑來改進(jìn)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。第一類包括使用啟發(fā)式信息的技術(shù)，這些啟發(fā)式技術(shù)包括可變的學(xué)習(xí)速度，使用動(dòng)量和改變比例變量等。另-類是標(biāo)準(zhǔn)數(shù)值優(yōu)化技術(shù)，主要包括共軛梯度算法和Levenberg-Marquardt算法等等。結(jié)果表明在訓(xùn)練相同次數(shù)的情況下改進(jìn)后的神經(jīng)網(wǎng)絡(luò)性能較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)有明顯的提高。本文還研究了一種用于短期負(fù)荷預(yù)測的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)。該網(wǎng)
2、絡(luò)集模糊推理、神經(jīng)網(wǎng)絡(luò)算法于一體，構(gòu)成基于神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)，又稱模糊神經(jīng)網(wǎng)絡(luò)。結(jié)果顯示在訓(xùn)練相同次數(shù)的情況下模糊神經(jīng)網(wǎng)絡(luò)性能較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)有明顯的提高。這兩種方法為負(fù)荷預(yù)測開辟了新的途徑，同時(shí)也為其理論在電力系統(tǒng)中的應(yīng)用開拓了新思路，具有一定的理論研究價(jià)值和實(shí)際應(yīng)用價(jià)值。關(guān)鍵詞：短期負(fù)荷預(yù)測，人工神經(jīng)網(wǎng)絡(luò)，模糊推理系統(tǒng)，模糊神經(jīng)網(wǎng)絡(luò)基于人工和模糊神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測英文摘要LoadForecastinginPowerSystemsBasedOllArtifidalandFuzzyNeuralNetworkABSTRACTAfteranalyzingthemeani
3、ngandmethodsofpowersystemloadforecasting，thepaperexplainsthegeneraitheoryandmeaningofartificialneuralnetwork(ANN)andfuzzyinferencesystem(FIS)，andstudiesloadforecastingmethodsbasedoilartificialneuralnetworkandfuzzyneuralnetwork(FNN)．Thepaperadoptstwowaystoimprovetraditionalartificialneuralnetwo
4、rk．Thefirstcategoryinvolvesthedevelopmentofheuristictechniqueswhichincludesuchideasasvaryingthelearningrate，usingmomentumandrescaiingvariables．AnothercategoryofresearchhasfocusedonstandardnumericaloptimizationtechniqueswhicharemainlytheconjugategradientalgorithmandtheLevenberg—Marquardtalgorit
5、hm．Theresultsshowthesemethodscangetbetterimprovementthantraditionalbackpropagationnetwork．Then，thepaperstudiesadaptivefuzzyneuralnetworkforshort_termloadforecasting．Thisnetworkcombinesfuzzyinferencesystemwithartificialneuralnetworkandformsfuzzyneurainetwork．Theresultsshowitcallalsogetbetterimp
6、rovementthantraditionalbackpropagationnetwork．Thetwomethodsgivenewwaysforloadforecastingandalsoailewthoughtforusingthem，andhavecertaintheoreticalandpracticalvalue．Writtenby：HuHongyu(PowerSystemandItsAutomation)Directedby：LiuAiguo(AssociateProfessor)Keywords：Short—termLoadForecasting，Artificial
7、NeuralNetwork，F(xiàn)uzzyInferenceSystem，F(xiàn)uzzyNeuralNetwork獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。據(jù)我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得南昌大學(xué)或其他教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均己在論文中作了明確的說明并表示謝意。學(xué)位論文作者簽名搠裳辱簽字日期：珈f年∥月，z目
