摘要：将改进的TSK型模糊神经网络（fuzzy neural network，FNN）应用于短期负荷预测。该FNN由椭网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 neuralnetwork，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。

关键词：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 

单位：南洋理工大学 新加坡南洋道50号639798