Ein hybrides Fuzzy-, neuronales Netzwerkmodell zur Lastmodellierung und -vorhersage von Bussen

In diesem Papier wird ein hybrider Ansatz vorgestellt, der ein Fuzzy-System und ein künstliches neuronales Netzwerk zur Vorhersage der Buslast nutzt. Dieser Ansatz modelliert das Verhalten der Last in den Bereichen, in denen es hauptsächlich eine Funktion der Temperatur ist. Lastsequenzen wurden in eine nicht wetterabhängige, normale Lastsequenz und eine rein wetterabhängige Lastsequenz unterteilt. Es wurde gezeigt, dass die normale Last eine stationäre Charakteristik aufweist und durch Rückpropagation neuronaler Netzwerke modelliert werden kann. Die wetterabhängige Last wurde durch eine Gruppe von drei Fuzzy-Logik-Systemen modelliert, die mit der kleinsten Quadrate-Schätzung eines optimalen Fuzzy-Basisfunktionskoeffizienten trainiert wurden. Das Modell wurde mit historischen Daten von 1994 aus der Stadt Hinton, West Virginia (Teil der Appalachian Power Company), getestet. Die Ergebnisse zeigen einen durchschnittlichen MAPE (mittlerer absoluter prozentualer Fehler) von 2%, was mit den in der Literatur berichteten Methoden zur Vorhersage der Systemlast vergleichbar ist.