系统工程理论与实践
繫統工程理論與實踐
계통공정이론여실천
SYSTEMS ENGINEERING--THEORY & PRACTICE
2013年
2期
354-362
,共9页
短期负荷预测%自组织神经网络%进化树%集成方法
短期負荷預測%自組織神經網絡%進化樹%集成方法
단기부하예측%자조직신경망락%진화수%집성방법
将自组织(SOM)和反向传播(BP)两种神经网络结合起来,并使用模糊理论,建立了一种基于集成智能方法的日负荷预测智能模型,该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别.然后,把温度、日类型等不确定性扰动因素分离出去,利用BP算法的非线性函数逼近功能,完成电力负荷的基本分量部分的预测工作.在处理温度、天气情况、日类型等不确定因素对负荷的影响时,采用模糊逻辑理论对负荷基本分量进行修正.提出了一种基于进化树的自组织神经网络算法(SOETA),该算法是一种无监督基于二叉树的自组织特征映射网络模型,采用进化思想进行无监督学习,具有灵活的拓扑结构和精确的模式识别.本文以2007年厦门市的电力负荷数据为例,试验结果表明,SOETA+BP+模糊理论的预测精度最优,有效提高了电力短期负荷预测精度.
將自組織(SOM)和反嚮傳播(BP)兩種神經網絡結閤起來,併使用模糊理論,建立瞭一種基于集成智能方法的日負荷預測智能模型,該模型首先利用SOM網絡的競爭學習能力將歷史數據分成若榦類彆從而找齣與預測日同類型的預測類彆.然後,把溫度、日類型等不確定性擾動因素分離齣去,利用BP算法的非線性函數逼近功能,完成電力負荷的基本分量部分的預測工作.在處理溫度、天氣情況、日類型等不確定因素對負荷的影響時,採用模糊邏輯理論對負荷基本分量進行脩正.提齣瞭一種基于進化樹的自組織神經網絡算法(SOETA),該算法是一種無鑑督基于二扠樹的自組織特徵映射網絡模型,採用進化思想進行無鑑督學習,具有靈活的拓撲結構和精確的模式識彆.本文以2007年廈門市的電力負荷數據為例,試驗結果錶明,SOETA+BP+模糊理論的預測精度最優,有效提高瞭電力短期負荷預測精度.
장자조직(SOM)화반향전파(BP)량충신경망락결합기래,병사용모호이론,건립료일충기우집성지능방법적일부하예측지능모형,해모형수선이용SOM망락적경쟁학습능력장역사수거분성약간유별종이조출여예측일동류형적예측유별.연후,파온도、일류형등불학정성우동인소분리출거,이용BP산법적비선성함수핍근공능,완성전력부하적기본분량부분적예측공작.재처리온도、천기정황、일류형등불학정인소대부하적영향시,채용모호라집이론대부하기본분량진행수정.제출료일충기우진화수적자조직신경망락산법(SOETA),해산법시일충무감독기우이차수적자조직특정영사망락모형,채용진화사상진행무감독학습,구유령활적탁복결구화정학적모식식별.본문이2007년하문시적전력부하수거위례,시험결과표명,SOETA+BP+모호이론적예측정도최우,유효제고료전력단기부하예측정도.
