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
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社