基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基(RBF)神经网络和自适应神经网络模糊系统(ANFIS)相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足。某电网实际预测结果表明,该方法具有较好的预测效果。

自适应神经模糊系统的LiFePO_4电池SOC预测

利用自适应神经模糊系统(adaptive neuro-fuzzy inference system,ANFIS)对电动汽车磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析ANFIS结构原理基础之上,采用BP(back-propagation)算法和最小二乘估计的混合算法分别建立两输入变量和三输入变量的ANFIS预测模型,并利用两种模型进行SOC预测。实例预测结果表明ANFIS能精确预测磷酸铁锂电池SOC值,且三输入变量ANFIS模型预测精度得到改善;与实测相比,三输入ANFIS预测模型的最大绝对误差在1%以下,平均百分比误差(average percentage error,APE)小于2%。

基于自适应神经模糊系统的高超声速飞行器再入预测制导

针对高超声速飞行器再入运动过程模型的非线性特性,提出了一种基于自适应神经模糊系统(ANFIS)的再入预测校正制导方法。在以能量为自变量的三自由度再入方程的基础上分别设计了纵向制导律和侧向制导律。以能量和剩余航程偏差为输入参数,侧倾角调节量为输出参数,设计了ANFIS控制器,并将其应用于纵向制导。侧向制导基于横程与能量的近似线性关系,设计了由分段漏斗形横程走廊控制的侧倾角反转逻辑。仿真结果表明,所设计的制导律具有制导指令解算速度快,制导和落点精度高且对再入初始偏差及过程扰动不敏感的优点。

基于自适应神经模糊系统的杉木冠幅估算方法

【目的】基于相邻木特征与对象木冠幅间的复杂关系,提出一种基于自适应神经模糊系统的冠幅估算方法,以提高林木冠幅智能化估算水平。【方法】以杉木为研究对象,根据相邻木相对对象木的距离和方位,采用象限补树法构建空间结构单元。测定100组4方向冠幅、距离和方位角,提出相邻木冠幅、距对象木距离2个自变量的计算方法,以对象木冠幅与相邻木冠幅的比值作为因变量。根据样本数据,分析变量间非线性映射关系,建立25条模糊逻辑推理规则,设计以2个自变量为输入、1个因变量为输出的零阶Takagi-Sugeno模型,以70组数据训练自适应神经模糊系统,以30组数据检验系统冠幅估算效果,并与多元线性回归法和BP神经网络法进行对比。【结果】3种方法冠幅估算值与真实值的线性关系均达显著水平,经检验,本研究方法、BP神经网络法和多元线性回归法的判定系数分别为0.71、0.67和0.66。【结论】基于自适应神经模糊系统的冠幅估算方法可在自变量不含对象木属性特征的情况下,根据空间结构单元内相邻木特征,直接实现对象木冠幅的智能化估算。

自适应神经模糊系统的地基承载力组合模型

碎石桩为处理软基的常用方法之一,其承载力除用静荷载试验确定外,一般用经验公式计算。但目前各公式采用的方法与理论依据不同,涉及的物理力学参数各有所侧重,难以反映诸多因素对承载力的影响。为克服单个模型(经验公式)的局限性与不确定性,在MATLAB环境下,采用非线性映射能力的自适应神经模糊推理系统(ANFIS)建立了碎石桩复合地基承载力组合模型。实例分析表明,组合模型预测相对误差小于3%,优于各子模型,其精度满足工程应用要求,为确定地基承载力提供了一种新的方法。

基于自适应神经模糊系统的电力系统短期负荷预测

提出基于T-S模型(Takagi-Sugeno)的自适应神经模糊系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。应用武汉地区2005年夏季负荷数据对网络进行训练和检测,所得仿真结果表明此预测方法有效。

基于自适应神经模糊系统的水库来水量评价

水库来水量评价是水库调度的重要依据。常规的时间序列分析方法等难以对水库来水量作出精确预报。因自适应神经模糊系统具有自学习、自适应能力强等优点,在考虑水库来水量影响因子的基础上,基于自适应神经模糊系统,建立了水库来水量的评价模型。实例分析表明,该模型计算简便,预测性能良好,适应性强,为水库来水量预报提供了新的思路。

基于自适应神经模糊系统控制的船舶自动舵

介绍了自动舵的设计历史和发展方向,讨论了ANFIS控制器的实现方法,将ANFIS控制器应用到船舶航向非线性系统中,ANFIS自动舵的功能在于将实际航迹与计划航线之间的误差最小化,实施更合理的船舶航行控制。

基于自适应神经模糊系统的企业供应商评价研究

随着现代管理思想引入以及全球竞争的加剧,供应链管理已然成为企业竞争力的核心要素。而供应商评价选择则是其中重要环节,因此科学准确的供应商评价体系对于企业的重要性不言而喻。本文在以因子分析法对供应商评价因素进行整理的前提下,通过结合模糊理论与神经网络理论,建立了一套基于自适应神经模糊系统的供应商评价体系,并在实证中取得了较好效果。

基于自适应神经模糊系统的锅炉汽轮机建模

热工对象由于其自身大延迟、强耦合等特点,较难建立其较为精确的模型。针对锅炉汽轮机模型,使用Bell-Astrom锅炉汽轮机模型产生数据,采用自适应神经模糊系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)进行建模。而后,对传统的ANFIS采用Fletcher-Reeves update法进行改进,并与改进前的ANFIS建模效果进行对比,验证改进的有效性。

自适应神经模糊推理系统优化的快速上肢评估方法

传统方法对工作相关肌肉骨骼疾病风险评估的输入变量变化敏感性较低,导致风险评估输出结果的精确性和可靠性不足。为更加准确地进行人因工程风险评估,提出了基于自适应神经模糊推理系统的快速上肢评估方法(RULA)。首先,基于卷积神经网络对视频中人体工作姿势的关键点进行检测及识别,并计算关节角度;其次,基于自适应神经模糊推理系统对快速上肢评估方法进行改进,搭建工作相关肌肉骨骼疾病风险评估架构以解决评估不同姿势时获得相同评分的问题;再次,随机选取不同工作姿势的关节角度数据对网络进行训练和检测,调整基于自适应神经模糊推理系统和快速上肢评估方法的工作相关肌肉骨骼疾病风险预测模型的最佳参数;最后,选取关节角度数据集里的前15个工作姿势进行相关性验证,将结果与原始快速上肢评估方法的结果进行比较,应用树枝修剪工具的操作过程进行案例分析以实现风险得分的实时动态评估。结果表明,优化后的快速上肢评估方法比原始方法更敏感,验证了利用自适应神经模糊推理系统能够有效改进快速上肢评估方法并实时预测风险得分。

基于能量熵和自适应神经模糊推理系统的齿轮故障诊断

为了解决齿轮振动信号中出现噪声污染严重,故障特征信息提取困难的问题,提出了基于能量熵和自适应神经模糊推理系统(ANFIS)的齿轮故障诊断方法。将预处理后的振动信号作自适应噪声完备经验模式(CEEMDAN)分解,可获得不同尺度的本征模态函数(IMF);由于各IMF包含主要故障特征信息,且不同故障状态下各IMF分布有明显不同,因此通过计算能量熵来量化故障时频域特征,构造出表征模态分量信息的特征向量;以此输入ANFIS进行样本的学习和训练,在自适应调整网络参数和隶属函数后,获得最优ANFIS。实验结果表明:该方法诊断结果准确率近乎100%,可有效地识别故障类型。

基于自适应神经模糊推理系统及随机分形搜索算法的黄酒发酵过程建模与优化

黄酒酿造是多菌种混合发酵,具有产物多样的特点,已有的黄酒发酵过程模型是建立在主要生化反应基础上的发酵动力学模型,模型的精度和泛化能力尚不能满足工业需求。针对黄酒醪液中生成产物多样的特征,该文利用模糊系统的建模策略,将自适应神经模糊推理系统的单维度输出扩展到多维度输出,提出了多输出自适应神经模糊推理系统模型;然后针对该模型参数量大的特点,该文将莱维飞行和层次学习策略融入随机分形搜索算法,提出了层次学习随机分形搜索算法,用于模型参数的辨识与优化。仿真结果表明,该算法提升了模型的精度和泛化能力,实现了不同生产批次黄酒发酵状态的良好预测。

自适应神经模糊推理系统用于症候诊断的研究

提出了基于T-S模型(Takagi-Sugeno型)的自适应神经网络模糊推理系统(AdaptiveNetwork-basedFuzzyInferenceSystem,ANFIS),介绍了高木—关野(Takagi-Sugeno型)模型结构和自适应神经网络模糊推理系统的结构和算法。该文采用减法聚类初始化模糊推理系统模型,把神经网络学习机制引入到逻辑推理中,使传统的逻辑推理不仅具有逻辑思维及语言表达能力而且具有自学习和联想能力,通过2型糖尿病症候数据库验证了ANFIS用于症候诊断的合理性和有效性。提示自适应神经网络模糊推理系统适合中医症候诊断的研究。

自适应神经模糊系统在托砖架最高温度预测中的应用

气流床气化炉在气化工业中得到了广泛应用,托砖架用于支撑气化炉耐火砖的重量,必须有足够的强度,温度是托砖架强度的重要影响因素。传统方法使用有限单元法计算,需要编制复杂的计算机程序。本文使用已有软件计算出托砖架最高温度点温度,对一个自适应神经模糊系统(ANFIS)进行训练,然后对未知数据进行预测,取得了准确的结果。

基于自适应神经-模糊推理系统模糊信息融合的采煤机截齿磨损在线监测

为实现对截齿截割过程中磨损程度的实时精确在线监测,分别测试和提取不同磨损程度的截齿在截割过程中的振动信号、声发射信号和温度信号,建立不同磨损程度截齿截割信号的多特征样本数据库,根据最小模糊度优化模型计算求解各特征信号的最优模糊隶属度函数,采用自适应神经-模糊推理系统多维模糊神经网络方法实现多传感特征信息的决策融合,输出置信度和权重较高的截齿磨损量融合结果。通过随机测试实验对融合系统进行验证,结果表明,基于ANFIS模糊信息融合的截齿磨损监测系统辨识度较高,测试结果最大误差在6.5%以内,系统具有良好的融合效果以及较高的测试精度。

基于T-S模型的自适应神经模糊推理系统及其在热工过程建模中的应用

在工业热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。针对热工过程建模难的现状,为达到建立精确非线性模型的目的,提出1种基于T-S模型的自适应神经模糊系统(ANFIS)模糊建模方法。该方法通过对模糊系统的结构辨识和参数辨识,使神经模糊网络能够自主、迅速有效地收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果验证了所提出的算法的有效性,将其应用到热工过程建模中可获得高精度的非线性模型。

基于自适应神经模糊推理系统的风功率缺失数据补齐

风电场风电输出功率数据的完整性在风能利用中具有重要意义。利用相邻风机法、持续法、平均插值法、标准功率曲线对应法均可以对风电缺失功率数据进行补齐,但都有各自的优缺点及适用范围;在单一补齐数据方法的基础上,文中采用自适应神经模糊推理系统(ANFIS)模型对丢失数据进行补齐和优化。对实测数据的仿真计算结果表明,用所提出的方法进行数据补齐后风电输出功率的计算结果平均相对误差降低,准确率提高。

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在。作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入。所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系。用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度。

自适应神经模糊推理系统在电力故障重现中的应用

将电力故障录波数据重现为实际波形对于继电保护测试和保护动作行为分析等具有重要意义。文章将自适应神经模糊推理系统和数字闭环修正技术应用于电力系统故障重现装置中,实现了整体数字域内的闭环控制,利用输出端回采数据与原始数据进行比较并修正信号源的方法极大地减小了故障重现的非线性误差。Matlab仿真和基于该算法的故障重现装置的实际应用证明了自适应神经模糊推理在故障重现中应用的可行性和有效性。