基于深度模糊神经网络的太阳总辐射预测研究

提出一种基于深度模糊神经网络的太阳总辐射预测模型。首先利用Pearson相关系数分析太阳总辐射关键影响因素,其次利用深度学习多隐含层所具有的特征提取优势将模糊神经网络模块重复连接,构建深度模糊神经网络模型,并使用蝗虫优化算法对其中心值和宽度进行优化。利用所提太阳总辐射预测模型对5个气象站点的相关数据进行仿真实验,并对结果进行分析。仿真结果表明:所提预测模型较其他模型具有较高的预测精度,验证了模型的有效性,可满足无辐射监测站点太阳总辐射预测的需要。

基于FDNN的电力系统短期负荷预测模型研究

针对电力系统短期负荷预测,本文提出了基于模糊深度神经网络的电力系统短期负荷预测模型,将模糊处理与深度神经网络相结合。首先利用隶属度函数对气象因素进行模糊化处理,并在此基础上,构建了深度神经网络预测模型,通过增加隐含层数,使神经网络具有更强的非线性,对受限玻尔兹曼机进行预训练,同时利用粒子群优化算法,对初始化的深度神经网络进行权值和阈值优化,并通过实际算例进行分析。分析结果表明,模糊深度神经网络预测模型的平均绝对误差和最大相对误差分别达到了1.72%和6.24%,具有较高的预测精度。该研究为基于模糊深度神经网络的电力系统短期负荷预测模型的实际应用奠定了理论基础。