基于T-S模糊神经网络的覆冰厚度预测模型

《基于T-S模糊神经网络的覆冰厚度预测模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、湖南电力第32卷第3期HUNANELECTRICPOWER2012年6月doi：10．3969／j．issn．1008-0198．2012．03．001基于T—S模糊神经网络的覆冰厚度预测模型刘军。李安均，赵丽萍(1．湖南省电力公司娄底电业局，湖南娄底417000；2．长沙理工大学，湖南长沙410114)摘要：针对极端气象条件，提出一种基于Takagi—Sugeno模糊神经网络的覆冰厚度预测模型。该模型首先基于时间序列对覆冰气象因子进行拟合，通过此模糊神经网络预测电力覆冰厚度。经算例分析比较，表明该模型具有较好的学习、映射、泛化能力。关键词：冰冻灾害；覆冰厚度；拟合；时间序列；T—S

2、模糊神经网络中图分类号：TM752．5文献标识码：A文章编号：1008．0198(2012)03—0001-04ApredictionmodeloficethicknessbasedonT-SfuzzyneuralnetworksLIUJun，LIAn．jun，ZHAOLi．ping(1．HunanElectricPowerCorporationLoudiElectricSupplyBureau，Loudi417000，China；2．ChangshaUniversityofScience＆Technology，changsha410114，China)Abstract：Thepap

3、erpresentsanicethicknesspredictionmodelbasedonT-Sfuzzyneuralnetworkundertheextremefreezingwetherconditions．Firstly，thetimeseriesaleusedtofitthemeteorologicalfactorsoftheextremeweather．Thenbasedonthefitingmeteorologicalfactors，theicethicknessofthetransmissionlinescanbepredictedbymeansoftheT-Sfuz

4、zyneuralnetwork．Theproposedmodelistestedthanumericalexampletodemonstrateitsabilitiesofbeterlearning，mapping，generalization．Keywords：freezingdisaster；icethickness；fit；timeseries；T-Sfuzzyneuralnetwork近年来，中国大部分地区输电线路时常遭受覆性系统的建模，且具有并行处理的能力，自适应和冰灾害，极端覆冰灾害造成输电线路覆冰过荷载，学习能力强，对非线性系统的拟合预测具有良好效严重威胁电网的安全可靠

5、运行，造成巨大的经济损果J。然而，神经网络只能将初始权值取为零或失【】引。为此，有必要对覆冰厚度进行准确预测，随机数，因而使网络的训练时间变长或得到不合理从而制定有效的防冰策略，保障输电线路的安全可的局部极值，而Takagi—Sugeno(简称T—S)模糊靠运行。考虑覆冰厚度受风速、环境温度、降雨量模型能用比较少的规则数来描述未知的系统模型，等气象条件的影响，而众多气象条件之间相互影响其结论部分通过线性模型来表述，即将一个非线性且具有各种不确定性，其幅值波动常呈现较强的非系统划分为多个线性系统的模型，结论参数的辨识线性特性。同时，气候环境与各气象条件间的相关快速、简单、有效。同时，通

6、过神经网络对T—S性错综复杂，相互之间的主导性难以确定，数量关模型的结构辨识和参数辨识能够自主地对模糊规则系也难进行定量分析。进行初始化，且能自适应调整前提隶属度参数和结目前覆冰厚度预测模型的研究主要集中在热动论参数，通过对输入量的模糊聚类，有效地处理了力学模型，然而热动力学参数太过复杂很难确定，误差反传算法陷人局部极小点的问题，并对解决T常导致模型无法求解，从而难以直接应用于电力覆—s模型时随着辨识系统复杂度增加，其规则数目冰厚度预测引。与热动力学模型相比，神经网络变多的问题提供了有效的帮助J。模型属于大规模非线性动态网络结构，适用于非线因此，本文提出了一种将时间序列方法和T—s收

7、稿13期：2011．09．21改回日期：2012—03．19第32卷第3期湖南电力2012年6月模糊神经模型相结合的覆冰厚度预测模型。若输入变量采用单点模糊集合的模糊化方法，则对于给定的输入量，可求得其对应的每条规则的1预测模型的建立适应度为：1．1时间序列模型f=t4()^(：)八⋯^()(8)时间序列分析主要指：预测一个事物的发展趋式中，为输入i对应的隶属度函数。势，用过去行为来预测未来的变化趋势，即用该事模糊系统的输出值为每条规则输出值的加权平物的历