The urban rail transit power supply system is an important part of the urban power distribution network and the power source of the rail transit system. It is responsible for providing safe and reliable electrical energy to urban rail trains and power lighting equipment. This paper processes the obtained long-period rail transit power load learning sample data matrix, according to the principle of normalization processing, effectively eliminates irregular data in the sample set and fills in possible missing data, thereby eliminating bad data or fake data for model learning. Moreover, this avoids the generation of huge errors that cause exponential growth in the model due to the increase in the learning sample size and the irregularity of the data. According to the characteristics of power load, this paper comprehensively considers the influence of temperature and date type on the maximum daily load, applies the fuzzy neural network model to the long-period load forecasting of long-period rail transit, and introduces the whole process of establishing the forecasting model in detail. Through detailed analysis of the actual data provided by the EUNITE network, the relevant factors affecting the daily maximum load were determined, and then the appropriate fuzzy input was selected to establish the corresponding fuzzy neural network prediction model, and a relatively ideal prediction result was obtained. The experimental results fully proved the great potential of fuzzy neural network in long-term power load forecasting.

中文翻译：

---

基于模糊数学的长周期轨道交通用电负荷预测

城市轨道交通电源系统是城市配电网和轨道交通系统电源的重要组成部分。它负责为城市铁路列车和电力照明设备提供安全可靠的电能。本文根据归一化处理的原理，对获得的长周期轨道交通电力负荷学习样本数据矩阵进行处理，有效消除样本集中的不规则数据，并填充可能的缺失数据，从而消除不良数据或假数据进行模型学习。 。而且，这避免了由于学习样本量的增加和数据的不规则性而导致导致模型指数增长的巨大误差的产生。根据功率负载的特点，本文综合考虑温度和日期类型对最大日负荷的影响，将模糊神经网络模型应用于长时期轨道交通的长时期负荷预测，并详细介绍了建立预测模型的全过程。通过对EUNITE网络提供的实际数据进行详细分析，确定影响日最大负荷的相关因素，然后选择适当的模糊输入，建立相应的模糊神经网络预测模型，得到较为理想的预测结果。 。实验结果充分证明了模糊神经网络在长期电力负荷预测中的巨大潜力。将模糊神经网络模型应用于长时期轨道交通的长期负荷预测，并详细介绍了建立预测模型的全过程。通过对EUNITE网络提供的实际数据进行详细分析，确定影响日最大负荷的相关因素，然后选择适当的模糊输入，建立相应的模糊神经网络预测模型，得到较为理想的预测结果。 。实验结果充分证明了模糊神经网络在长期电力负荷预测中的巨大潜力。将模糊神经网络模型应用于长时期轨道交通的长期负荷预测，并详细介绍了建立预测模型的全过程。通过对EUNITE网络提供的实际数据进行详细分析，确定影响日最大负荷的相关因素，然后选择适当的模糊输入，建立相应的模糊神经网络预测模型，得到较为理想的预测结果。 。实验结果充分证明了模糊神经网络在长期电力负荷预测中的巨大潜力。确定影响日最大负荷的相关因素，然后选择适当的模糊输入，建立相应的模糊神经网络预测模型，得到较为理想的预测结果。实验结果充分证明了模糊神经网络在长期电力负荷预测中的巨大潜力。确定影响日最大负荷的相关因素，然后选择适当的模糊输入，建立相应的模糊神经网络预测模型，得到较为理想的预测结果。实验结果充分证明了模糊神经网络在长期电力负荷预测中的巨大潜力。