行政院國家科學委員會專題研究計畫 成果報告
應用人工免疫網路/專家系統法解短期負載預測
計畫類別： 個別型計畫
計畫編號： NSC93-2213-E-110-053-
執行期間： 93 年 08 月 01 日至 94 年 07 月 31 日
執行單位： 國立中山大學電機工程學系(所)
計畫主持人： 林惠民
計畫參與人員： 曹大鵬,廖國清
報告類型： 精簡報告
報告附件： 出席國際會議研究心得報告及發表論文
處理方式： 本計畫可公開查詢
中 華 民 國 94 年 9 月 12 日
行政院國家科學委員會補助專題研究計畫
▓ 成 果 報 告
□期中進度報告
應用人工免疫網路/專家系統法解短期負載預測
計畫類別：
▓
個別型計畫 □ 整合型計畫
計畫編號：
NSC 93-2213-E-110-053
執行期間： 93 年 8 月 1 日至 94 年 7 月 31 日
計畫主持人：
曹 大 鵬
共同主持人：
計畫參與人員： 廖國清
成果報告類型(依經費核定清單規定繳交)：▓精簡報告 □完整報告
本成果報告包括以下應繳交之附件：
□赴國外出差或研習心得報告一份
□赴大陸地區出差或研習心得報告一份
□出席國際學術會議心得報告及發表之論文各一份
□國際合作研究計畫國外研究報告書一份
處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫、列
管計畫及下列情形者外，得立即公開查詢
□涉及專利或其他智慧財產權，□一年□二年後可公開查詢
執行單位：國立中山大學 電機工程學系
中 華 民 國 九十四 年 九 月 二 日
行政院國家科學委員會專題研究計畫成果報告
應用人工免疫網路/專家系統法解短期負載預測
計畫編號：NSC 93-2213-E-110-053
執行期限：93 年 8 月 1 日至 94 年 7 月 31 日
主持人：曹大鵬 國立中山大學電機所
計畫參與人員：廖國清 國立中山大學電機所
一、中文摘要
在電力系統中，負載預測是一個非常重要
的問題，它是經濟調度、燃料配置、機組排程、
水火力發電協調及機組維修…等電力問題分
析之基礎，且負載預測之準確性直接影響到系
統發電成本及運轉之可靠度及安全性。因此欲
達到準確之負載預測，必須應用新的方法及技
巧，本文即利用人工免疫網路法/專家系統法
來作為提高預測準確度之問題研究。電力系統
之負載預測乃受到天氣狀況(如溫度、濕度…)
等變數之高度非線性組合影響，因此是一個相
當複雜之問題，本論文提出改良的類神經網路
方法作為短期負載預測之方法。
在本計劃中乃使用人工免疫網路法/專家
系 統 法 (Artificial Immune Algorithm Neural
Network / Expert System，AINNES)，來設計類
神 經 網 路 及 其 所 使 用 倒 傳 遞 法
(Back-Propagation，BP)之缺點。免疫算法保持
了 遺 傳 演 算 法 中 對 於 整 體 最 佳 解 之 統 計 算
法，也融入了存在於人類之免疫系統之族群多
樣性之機制，在使用免疫算法訓練好神經網路
之權值(weights)及偏權值(Biases)後，再利用已
經訓練好之網路作實際之負載預測，接著由專
家系統作最後之修正，預測之模組範圍包括一
個星期及 24 小時之誤差值預測，最後並和幾
個常用之方法作比較，諸如:傳統之類神經網
路法(Artificial Neural Networks，ANN)，及遺
傳-類神經網路法(即結合類神經網路與遺傳
演算法，GA-ANN)等作一比較，由結果可以看
出 使 用 本 方 法 可 以 獲 得 較 準 確 之 負 載 預 測
值，因而在此，我們以人工免疫網路/專家系
統法來解短期負載預測。
Abstract
The function of Short-Term Load
Fore-power systems. Accurate short-term load
fore-casting has a significant influence on the
op-erational efficiency of a power system, such as
unit commitment, annual hydro-thermal
main-tenance scheduling hydro-thermal coordination,
demand side management, interchange
evalua-tion, security assessment and others.
Improve-ments in the accuracy of short-term load
fore-casts can result in significant financial savings
for utilities and co-generators. Application
Ar-tificial Immune Neural Network / Expert
Sys-tem (AINNES) for short-term load forecasting
is presented in this paper. However, since the
relationship between load power and factors
influencing load power is nonlinear, it is
diffi-cult to identify its nonlinearity by using
con-ventional methods. A nonlinear short-term load
forecasting model based on Artificial Immune
Neural Network/Expert System is resented here.
The design and learning of Neural Network
system uses Immune Algorithm. This paper
resents the method in power system short-term
load forecasting. The result indicates that this
model is effective and has adaptive ability
it-self. The proposed AINNES load forecasting
scheme was tested using data obtain from a
sample study, including one week and 24-hours
time periods. The proposed scheme then would
be compared with ANN, EP-ANN
(Evolution-ary Programming combined with ANN),
GA-ANN (Genetic Algorithm combined with
ANN). The results demonstrated the accuracy
of the proposed load forecasting scheme.
Keyword: Evolutionary Programming,
Artifi-cial Neural Network, Load Forecasting.
負載預測在電力系統的操作中是一項重
要工作，它通常是有效率之電力系統規劃與運
轉之必須部分。在傳統使用於電力系統之預測
方法中，通常是使用會影響系統負載之幾種重
要因素來作調整。而傳統方法之優點是我們可
以以一種簡單的預測模型來作負載預測，不過
在系統負載與影響因子間乃存在一種非線性
的關係，而由於是非線性關係，所以使得傳統
方法來作是非常不容易的。近年來，有幾種方
法被使用於負載預測，諸如時間序列法(Time
Series Method)[2] ， 灰 色 系 統 法 (Gray
The-ory)[3] ， 最 低 平 方 法 (Least Square
Method)[4]，及類神經網路法(Neural Networks,
NN)[5]-[34]，etc。而由於系統負載乃一多維及
非線性，所以使得一些方法在使用上會有一些
限制，在使用類神經網路法來作負載預測已有
幾種改良方法被使用[35]-[38]。類神經網路法
極適合使用於負載預測乃因為其對於非線性
之映射及一般性的近似能力，但它仍有所限
制，比如其就不太適合使用在未來如星期假日
及一些特殊日子之負載預測，類神經網路法必
須使用一些諸如天氣之資料，負載之變化，負
載週期等之大量資料。但傳統之類神經網路法
仍有一些缺點，諸如(低的訓練速度、對於整
體最佳解之搜索能力較為薄弱)等，亟待克服。
在 本 計 劃 中 ， 即 提 出 一 個 以 人 工 免 疫
[39]-[44]網路法/專家系統法作短期負載預測之
求解問題，實際解決類神經網路所遭遇到之問
題。
三、 演算過程
1. 人工免疫演算法
1). 輸入目標函數及限制條件作為人工免疫算
法之抗原。
2). 抗體之編碼
一個抗體通常表示為一個符號串列。在
此 一 個 抗 體 之 串 列 數 即 為 系 統 之 機 組
數。其符號串列 (為神經網路之所有權值
與偏權值之總數合)，表為一個抗體(其值
為一實數) ，其編碼如圖一所示。
antibody 1 1 2 3 j M k1 antibody g K2 ks antibody N k ks k1 i j 圖 一、 免疫算法之抗體編碼結構圖3). 算法中為了表明全體抗體之多樣性，引入
信息熵(information entropy)之概念。
∑
= = M j j N M N IEH
1 ) ( 1 ) ((1)
P
P
H
ij S i ij j(N) log 1∑
= − =(2)
H
j(N)為
N個抗體第
j位信息熵，
P
ij為
N個
抗體中的第
j位為字母 K
i的概率。
抗體間之親和力:用以表明兩抗體之間之相似
度，抗體
V和抗體
W之相似度為:
+ 1 = ) 2 ( 1 ) ( H Ab VW(3)
而抗體
V和抗原
Z之間之親和力相似度為
+ = const Ag
E
i VZ 1 ) ((4)
=
∑ ∑
−
p out iT
Y
E
(
p,out p,out)
2(5)
)
( Ag
VZ: 適應函數(fitness function).
const: 所給定之常數值，
T
p,out: 是經計算網路之第
p個隱藏單元與第
out個輸出單元之差值，
Y
p,out: 所給之真實值。
4. 對上述群體中各抗體進行評價:
在此乃以個體之期望繁殖率 E
V為標準。
首先計算抗體
V之濃度 C
V，
∑
= 1 = N W VW VC
C
A N 1(6)
其中
⎩ ⎨ ⎧ 0, ≤ ≤ , 1 = otherwise Ab AC
VWC
OL VWC
OH ) ((7)
C
OL和 C
OH為一預定閥值。
計算抗體V之期望繁殖率，
C
E
V vz V Ag = ( )(8)
5). 形成第一代群體:
將初始族群按 E
V的降序排列，並取前
N個個體構成第一代群體，同時取前
N
f個進入
記憶庫中。
6). 判斷是否滿足結束條件，如果是，則結束，
如為否，則繼續下一步操作。
7). 新群體之產生:
基於第 5).步的計算結果對抗體群體進行
選擇;交配;突變操作得到新群體，再從記憶庫
中取出記憶個體，共同構成新一代群體。
8). 返回進行第 4).步驟。
免疫演算法之整個流程如圖二所示
輸入目標函數及限制條 件作為抗原 抗體編碼及產生初始族群 計算抗體與抗體間及抗體與抗原間之親和 度並對抗體進行評價 形成下一代族群 判斷是否符合結束條 件? 進行抗體間之交配及突變步驟 印出結果 是 否2. 人工免疫網路/專家系統法之結構
在本計畫中所提之人工免疫網路/專家系統法
類神經網路 專家系統用於溫度,天氣,例 假日,國定假日之修正系統 人工免疫算法對類神經 網路之所有權值及偏權 值之最佳化尋找 輸出訓練資料及 測試資料 輸出最佳之 負載預測結果 圖三、 人工免疫網路/專家系統法之結構圖四、使用本方法之設定
使用人工免疫網路法作負載預測之模型
初始之類神經網路在接受由免疫算法所計
算之網路權值與偏權值之最佳解後，再回到類
神經網路本身來作實際之負載預測。每一個神
經網路有 24 個輸出節點，其乃代表 24 小時之
負載預測值，其網路結構如圖二所示，在作預
測時，其輸入資料之重要項目有四項: 1).負載
之歷史資料，即過去時間所用負載大小資料之
收集作為歷史資料供作訓練網路，2). 溫度高
低之資料，即負載預測之前一天之最高與最低
溫及預測日 24 小時之溫度預測值，3). 下雨天
資料之收集，相對於本日之前一日下雨資料之
指標，4). 假日資料之收集，是否為星期假日
為一重要之資料判斷。在此網路中我們使用 83
個輸入節點，在這 83 個節點中，其前 24 個節
點表示預測日前一天之 24 小時負載值，節點
25-48 表示預測日前 25-48 小時之負載量，節點
49-52 表示上星期今天之負載值，節點 53-76
表示上兩星期今天之負載值，節點 77-81 表示
是否為下雨天之預測指標，節點 82-83 表示是
否為颱風天之指標值。我們是以下線之網路訓
練為主，在下線訓練好網路後再進行上線之負
載預測，如此一來，即可節省其真正之負載預
測時間。實際之人工免疫網路之神經元組織圖
如圖四所示。
1 24 25 48 49 52 53 76 81 4 43 4 42 1 2 3 4 77 5 1 28 2 上星期今天 之負載 上兩星期今天 之負載 是否為下雨 天之指標 過去24小 時之負載 下個24小時之負載預測輸出 Hidden Layer Input Output 3 24 1 4 4 43 4 42 1 4 43 4 42 1 過去48小 時之負載 4 43 4 42 1 82 83 是否為颱風 天之指標 4 43 4 42 1 1 424434
圖四、人工免疫網路之神經元組織圖
五、結果與討論
在所使用之實際範例所使用之訓練資料來
源為台電之實際負載值，在本計劃中所使用之
電腦程式為 Turbo C++而成，在本計劃中所使
用之網路實際上有七個，每一個網路代表一個
星期七天之每一天，而實際網路有 24 個輸出
節點，代表每一日 24 小時負載輸出，由圖五
至 圖 九 分 別 代 表 平 常 日 ( 即 星 期 一 至 星 期
五)，及星期例假日，及下雨天之負載預測曲
線圖。
10000 15000 20000 25000 30000 1 4 7 10 13 16 19 22 hours lo a d s( M W ) 圖五、 星期三(Sep. 27 )之預測曲線 10000 15000 20000 25000 30000 1 4 7 10 13 16 19 22 hours loads (MW ) 圖六、 星期五(Sep. 29 )之預測曲線10000 15000 20000 25000 1 4 7 10 13 16 19 22 hours loads (MW )
圖七、 星期日(Oct. 1 )之預測曲線 10000 15000 20000 25000 1 4 7 10 13 16 19 22 hours lo ad s(MW) 圖八、 國定假日(Oct. 10 ) 預測曲線
10000 15000 20000 25000 30000 1 4 7 10 13 16 19 22 hours lo a d s( M W ) 圖九、 下雨天(Oct. 14) 預測曲線
(
從圖五至圖九 代表實際之負載, --- 代表預測之負載.)
在表一所示為把平常日，星期例假日及下
雨天作基準，在分別使用(ANN, GA-ANN,
AINNES)作預測所得到之平均預測誤差之比
較結果。在 ANN 中我們乃以傳統之 BP 演算
法為基準，所作之負載預測，而在 GA-ANN
中，我們乃使用 GA 法先把網路之權值與偏權
值等參數作最佳化訓練，所得之最佳解再輸入
原先之神經網路中，再實際以合成之網路來作
實際之負載預測。從表中可得到其 ANN，
GA-ANN，AINNES 所得之平均絕對誤差值分
別為 1.83，1.61 及 1.27，從這一結果，我們可
以得到由 AINNES 所求得之平均絕對預測誤
差值相較於 ANN 及 GA-ANN 法有大約 35.6%
及 19.7%之改善值。
表一、分別使用 ANN, GA-ANN, AINNES 所得之預測平均絕對誤差
由表二可得到從西元 2000 年 9 月 26 日至 10
月 2 日之一個星期之總負載遇預測誤差值，由
表中可得到由 AINNES 法所求之結果均比
ANN 及 GA-ANN 法來得低。
表二、分別使用 ANN,GA-ANN,AINNES 所得之一個星 期之預測平均絕對誤差參考文獻
[1] T. Haida and S. Muto, “Regression bsed peak load forecasting using a transformation technique”, IEEE
Trans. On Power System, Vol. 9, pp.1788-1794,
Nov. 1994.
[2] Charytoniuk W, Chen M. S, Van Olinda P. “Nonpparametric regression based Short-Term Load Forecasting”, IEEE Trans. On Power System, Vol. 13, pp-725-730, Mar. 1998.
[3] Akagi H. “New trends in active filter for power con-ditioning”, IEEE Trans. On Power Electronics. Vol. 32, pp.1312-1322, Jun. 1996.
[4] Mastorocostas P. A, Theochairs J. B, Bakirtzis A.G, “Fuzzy modeling for short-term load forecasting using the orthogonal least squares method”, IEEE
Trans. On Power System, Vol. 14, pp.29-36, Jan.
1999.
[5] A. Khotanzed, R. C. Hwang, A. Abaye and D. Maratulam, “An Adaptive Moddular Artificial Neural Network Hourly Load Forecaster and its Implementa-tion at Electric Utilities” , IEEE Trans. on Power
Systems, Vol. 10, No. 3, pp1716-1722, August, 1995.
[6] H. Yoo, R. L. Pimmel, “Short-term Load Forecasting Using a Self-Super Vised Adaptive Neural Net-work” , IEEE Trans. on Power Systems, Vol. 14, No. 2, pp.779-784, May 1999.
[7] S. J. Kiartzis, A.G. Bakirtzisa and V. Petridri, “Short-Term Load Forecasting Using Neural Net-works” , EPSR, Vol. 34, No. 1, pp.1-6, July 1999. [8] J. Vermoak, E. C. Botha, “Recurrent Neural
Net-works for Short-Term Load Forecasting”, IEEE
Trans. on Power Systems, Vol. 13, No. 1,
pp.126-132, Feb. 1998.
ANN GA-ANN AINNES
Method Day Type MAPE Max. MAPE MAPE Max. MAPE MAPE Max. MAPE 工 作 日 1.78 2.23 1.54 1.99 1.23 1.93 非工作日 1.81 2.16 1.56 2.08 1.27 2.01 假 日 1.85 2.12 1.61 2.12 1.31 1.95 下 雨 天 1.87 2.31 1.71 2.16 1.28 2.02 平 均 1.83 2.21 1.61 2.08 1.25 1.97
ANN GA-ANN AINNES
Method Day Type MAPE Max. MAPEMAPE Max. MAPE MAPE Max. MAPE 星期一 1.72 2.11 1.56 2.01 1.30 1.94 星期二 1.82 2.12 1.42 1.86 1.28 1.82 星期三 1.85 2.03 1.58 2.12 1.30 1.94 星期四 1.76 2.25 1.51 1.94 1.23 1.86 星期五 1.78 2.01 1.47 1.92 1.36 1.97 星期六 1.74 2.21 1.72 1.99 1.26 1.82 星期日 1.94 2.15 1.48 2.11 1.25 1.96 平 均 1.81 2.13 1.54 1.99 1.26 1.96
ral Networks for Improved Load Forecasting in the Power Syystem” , IEE Proc.-Gener. Trans. Distrib., Vol. 149, No. 3, pp.340-344, May 2002.
[10] J. W. Taylor and R. Buizza, “Neural Network Load Forecasting with Weather Ensemble Predictions”,
IEEE Trans. on Power Systems, Vol. 17, No. 3,
pp.626-632, August, 2002.
[11] M. A.Abu-EI-Magd and R. D. Findlay, “A New Ap-proach Using Artificial Neural Network and Time Series Models for Short Term Load Forecasting”, Electrical and Computer Engineering, 2003, IEEE CCECE 2003, Canadian Conference on, Vol. 3, pp. 1723-1726, May 4-7, 2003.
[12] N. B. Karayiannis, M. Balasurbramanian and H. A. Malki, “Evaluation of Cosine Basis Function Neural Networks on Electric Power Load Forecasting”, Neural Networks, 2003 Proceedings of the Interna-tional Joint Conference on, Vol. 3, pp. 2100-2105, July 20-24, 2003.
[13] T. Iizaka, T. Matsui and Y. Fukuyama, “A Novel Daily Peak Load Forecasting Method Using Ana-lyzable Structured Neural Network”, Transmission and Distribution Conference and Exhibition 2002, Asia Pacific IEEE/PES, Vol. 1, pp.394-399, 6-10 Oct., 2002.
[14] Y. You, S. Wang and W. Sheng, “Short-Term Load Forecasting Using Artificial Immune Network”, Power System Technology, 2002, Proceedings, Pow-erCon 2002, International Conference on, Vol. 4, pp.2322-2325, 13-17 Oct., 2002.
[15] M. WenXiao, B. XiaoMin, and M. Lianshua, “Short-Term Load Forecasting with Artificial Neural Network and Fuzzy Logic”, Power System Tech-nology, 2002, Proceedings, PowerCon 2002, Interna-tional Conference on, vol. 2, pp. 1101-1104, 13-17 Oct., 2002.
[16] L. M. Saini and M. K. Soni, “Artificial Neural Net-work Based Peak Load Forecasting Using Leven-berg-Marquardt and quasi-Newton Methods”, Gen-eration, Trans. And Distri., IEE Proceedings-, Vol. 149, Issue 5, pp.578-584, Sep. 2002.
[17] F. J. Marin, F. Garcia-Lagos, G. Joya and F. Sandoval, “Global Model for Short-Term Load Forecasting Using Artificial Neural Networks”, Gen-eration, Trans. And Distri, IEE Proceedings-, Vol. 149, Issue 2, pp- 121-125, March 2002.
[18] A. Khotanzad, Z. Enwang and H. Elragal, “A Neuro-Fuzzy Approach to Short-Term Load fore-casting in a Price-Sensitive Environment”, IEEE
Trans. on Power Systems, Vol. 17, No. 4,
pp.1273-1282, Nov., 2002.
[19] T. Senjyu, H. takara, K. Uezato and T.funabashi, “One-Hour-Ahead Load Forecasting Using Neural Network”, IEEE Trans. on Power Systems, Vol. 17, No. 1, pp.113-118, Feb., 2002.
[20] R. C. Hwang, H. Huang-Chu and J. G. Hsieh, “Short-Term Power Load Forecasting by Neural Network with Stochastic Back Propagation Learning Algorithm”, Power Engineering Society Winter Meeting, 2002, IEEE Vol. 3, pp. 1790-1795, 23-27 Jan. 2000.
[21] O. A. S. Carpinteiro and A. P. Alvesda Silva, A Hi-erarchical Neural Model in Short Term Load Fore-casting”, Neural Networks, 2000 Proceedings, Six Brazilian Symposium on , pp. 120-124, 22-25 Nov. 2000.
[22] A. K. Sinha, “Short-Term Load Forecasting Using Artificial Neural Networks”, Industrial Technology 2000, Proceedings of IEEE International Conference on, Vol. 1, pp. 548-553, 19-22 Jan. 2000.
[23] Z. Bashir and M. E. El-Hawary, “Short-Term Load Forecasting by Using Wavelet Neural Networks”, Electrical and Computer Engineering , 2000, Cana-dian Conference on, Vol. 1, pp. 163-166, 7-10 March, 2000.
[24] M. L. M. Lopes, C. R. Minussi and A. D. P. Lotufo, “A Fast Electric Load forecasting Using Neural Net-works”, Circuits and Systems, 2000, Proceedings of
the 43rd IEEE Midwest Sysposium on, Vol. 2, pp.
646-649, 8-11 Aug. 2000.
[25] A. A. El Desouky, and M. m. Elkateb, “Hybrid adap-tive techniques for Electric Load Forecast Using ANN and ARIMA”, Generation, Transmission and Distribution, IEE Proceedings-, Vol. 147, Issue: 4, pp. 213-217, July 2000.
[26] D. W. Bunn, “Forecasting Loads and Prices in Com-petitive Power Markets”, Proceedings of IEEE, Vol. 88, Issue: 2, pp.163-169, Feb. 2000.
[27] K. H. Kim, H. S. Youn and Y. C. Kang, “Short-Term Load Forecasting for special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method”, IEEE Trans. on Power Systems, Vol. 15, No. 2, pp.559-565, Feb., 2000.
[28] W. Chaytoniuk and M. S. Chen, “Very Short-Term Load Forecasting Using Artificial Networks”, IEEE
Trans. on Power Systems, Vol. 15, No. 1,
pp.263-268, Feb., 2000.
[29] L. Xu and W. J. Chen, “Artificial Neural Network Short-Term Electric Load Forecasting Techniques”, TENCON 99, Proceedings of the IEEE Region 10 Conference, Vol. 2, pp. 1458-1461, 15-17 Sep. 1999. [30] N. Kandil, V. Sood and M. Saad, “Use of ANNs for
Short-Term Load Forecasting”, Electrical and Com-puter engineering, 1999 IEEE Canadian Conference on, Vol. 2, pp. 1057-1061, May. 1999.
[31] D. Srinivasan, T. S. Swee, C. S. Cheng and E. K. Chan, “Parallel Neural Network-Fuzzy Expert tem Strategy for Short-Term Load Forecasting: Sys-tem Implementation and Performance Evaluation”,
IEEE Trans. on Power Systems, Vol. 14, No. 3, pp.
1100-1106, Aug., 1999
[32] I. Drezga and S. Rahman, “Short-Term Load Fore-casting with Local ANN Predictors”, IEEE Trans. on
Power Systems, Vol. 14, No. 3, pp. 844-850, Aug.,
1999.
[33] H. Yoo and R. L. Pimmel, “Short-Term Load Fore-casting Using a Self Supervised Adaptive Neural Network”, IEEE Trans. on Power Systems, Vol. 14, No. 2, pp. 779-184, May 1999.
[34] A. P. Rewagad and V. L. Soanawane, “Artificial Neural Network Based Short-Term Load Forecast-ing”, TENCON’98, 1998, IEEE Region 10
Interna-tional Conference global Connectivity in Energy, Computer, Communication and Control, Vol. 2, Dec. 1998.
[35] A. Khotanzed, R. C. Hwang, A. Abaye and D. Maratulam, “An Adaptive Moddular Artificial Neu-ral Network Hourly Load Forecaster and its Imple-mentation at Electric Utilities,” IEEE Trans. on
Power Systems, Vol. 10, No. 3, pp1716-1722,
Au-gust, 1995.
[36] H. Yoo, R. L. Pimmel, “Short-term Load Forecasting Using a Self-Super Vised Adaptive Neural Net-work,” IEEE Trans. on Power Systems, Vol. 14, No. 2, pp.779-784, May 1999.
[37] S. J. Kiartzis, A.G. Bakirtzisa and V. Petridri, “Short-Term Load Forecasting Using Neural Net-works” , EPSR, Vol. 34, No. 1, pp.1-6, July 1999. [38] S. Osowskki and K. Siwek, “Regularisation of
Neu-ral Networks for Improved Load Forecasting in the Power Syystem” ,IEE Proc.-Gener. Trans. Distrib., Vol. 149, No. 3, pp.340-344, May 2002.
[39] S. Endoh, N. Toma and K. Yamada, “Immune Algo-rithm for n-TSP”, System, Man and Cybernetics, 1998. 1998 IEEE International Conference on, Vol. 4, pp. 3844-3849, 11-14 Oct., 1998.
[40] C. H. Lin, C.S. Chen and C. J. Wu, “Feeder Recon-figuration for Distribution System Contingencies with Immune Algorithm”, Power Tech Proceedings, 2001, IEEE Porto, Portugal, Vol. 3, 10-13 Sept. 2001.
[41] G. Hong and M. Z. Yuan “Immune Algorithm”, In-telligent Control and Automation 2002 Proceedings of the 4th world Congresson, Vol. 3, pp. 1784-1788, 10-14 June, 2002.
[42] D. H. Kim, “ Parameter Tuning of Fuzzy Neural Networks by Immune Algorithm”, Fuzzy System, 2002, Proceedings of the 2002 IEEE International Conference on Vol. 1, pp. 408-413, 12-17 May 2002. [43] Y. Yong, W. Sun’an and S. Wanxing, “ Short-Term
Load Forecasting Using Artificial Immune Net-work”, Power Con 2002, International Conference on Power System Technology Proceedings, Vol. 4, pp. 2322-2325, 2002.
[44] D. F. Wang, . Han, N. Liu, Z. Dong and S. M. Jiao, “ Modeling the Circulating Fluidized Bed Boiler Using RBF-NN Based on Immune Genetic Algo-rithm”, Proceedings of the First International Con-ference on Machine Learning and Cybernetics, pp. 2121-2125, 4-5 Nov. 2002.
