改进的TSK型动态模糊神经网络在短期负荷预测中的应用
将改进的TSK犁模糊神经网络(fuzzy neural network,FNN)应用于短期负荷预测.该FNN由椭圆基函数构成神经元的中心和宽度参数,并且具有以下特征:网络结构和参数可自动并同时进行调整,不需提前分割输入空间,也不需提前选择网络初始参数;模糊规则在学习过程中可动态增删,不需采用迭代算法即可快速生成.这种模糊规则可动态增删的模糊神经网络(growing and pruning fuzzy neural network,GPFNN)简单有效,可以降低网络的复杂性,加快网络的学习速度.使用EUNITE竞赛数据作测试数据对上述GPFNN方法进行测试,结果表明采用该方法进行短期负荷预测时可获得较高的准确率.
动态模糊神经网络、短期负荷预测、椭圆基函数、模糊规则、EUNITE竞赛数据
34
TM715(输配电工程、电力网及电力系统)
2010-11-15(万方平台首次上网日期,不代表论文的发表时间)
69-75