基于RBF神經(jīng)網(wǎng)絡與模糊控制的短期負荷預測分析

崔林然 侯云超 楊海柱

（1.河南理工大學 2.國網(wǎng)晉城供電公司）

0 引言

短期負荷預測主要是從已知的電力需求出發(fā)，通過對以往的數(shù)據(jù)分析，并且對經(jīng)濟、氣候等因素進行綜合考慮，從而對未來一段時間的用電需求作出判斷和預測。同時，短期負荷預測也是電力系統(tǒng)規(guī)劃、供電、調度的重點內容，合理的預測可以有效保證電網(wǎng)運行的安全性和穩(wěn)定性，并且可以根據(jù)未來的需求，適當對電網(wǎng)進行增容和改建。同時，隨著各項先進技術的發(fā)展，將RBF神經(jīng)網(wǎng)絡與模糊控制應用于短期負荷預測中，這樣可以有效解決傳統(tǒng)線性預測存在的不足和缺陷，利用RBF神經(jīng)網(wǎng)絡與模糊控制進行網(wǎng)絡仿真和訓練，可以有效提升預測的準確性。另外，RBF神經(jīng)網(wǎng)絡與模糊控制理論的應用，也是電力系統(tǒng)未來發(fā)展的重要的方向。

1 模糊控制概述

1.1 定義

模糊控制主要是模糊數(shù)學語言進行描述，從而對系統(tǒng)工作的控制方式進行操縱，并且模糊控制主要分為四個方面，主要有模糊化、規(guī)則庫、模糊推論、解模糊等方面，第一，模糊化主要的作用為選定模糊控制器的輸入量，并且將其進行轉換，成為系統(tǒng)可識別的模糊量（主要包括三點，首先對輸入量滿足的模糊控制需求進行處理［1］；其次，將輸入量進行尺寸轉換；最后，需要對各個輸入量的數(shù)據(jù)語言取值以及相應的隸屬度函數(shù)進行確定）；第二，規(guī)則庫主要是根據(jù)專家的經(jīng)驗構建完善的模糊規(guī)則庫，并且模糊規(guī)則庫包含了諸多的眾多的控制規(guī)則，從實際控制經(jīng)驗轉換成模糊控制；第三，模糊推論是根據(jù)知識展開推理決策；第四，解模糊的作用就是將推理所得到的控制量進行轉化，形成控制輸出。

1.2 控制規(guī)則

模糊控制規(guī)則主要表現(xiàn)為專家經(jīng)驗和知識、操作員的操作模式、學習等方面，下面就針對這幾點內容，展開了分析和闡述。

（1）專家經(jīng)驗和知識。模糊控制也可以叫做控制系統(tǒng)中的專家系統(tǒng)，并且將人類日常生活作為基礎，對各項事情進行判斷，利用語言定性分析對于數(shù)值定量。同時，模糊控制還可以提供一個描述人行為以及決策的自然架構。另外，專家知識一般可以用if….then型式進行表示。

（2）操作員操作模式。專家可以根據(jù)模糊控制理論，對復雜的控制對象進行操作，但是將專家訣竅進行邏輯化描述相對較為困難，這時就需要在控制上采取一些技巧。同時，在操作模式中，可以將各項數(shù)據(jù)整理為if….then的型式，從而形成一組控制規(guī)則。

（3）學習。為了進一步的改善模糊控制設備的使用性能，必須讓各項設備擁有自我學習能力，以及自我組織的能力，促使模糊控制設備根據(jù)預先誰當?shù)哪繕?，增加或合刪減、修改控制規(guī)則。

1.3 優(yōu)勢

（1）在非線性、時變、滯后、模型不完全系統(tǒng)控制等方面模糊控制可以將系統(tǒng)設計變?yōu)楹唵?。同時，模糊控制不會依賴于被控制對象的數(shù)學模型，確保控制的精準度。

（2）模糊控制主要是利用控制法，對系統(tǒng)變量之間的關系進行描述，并且在描述期間，不需要利用數(shù)值，僅僅是利用語言模式的模糊變量進行描述，并且也不許對控制對象構建數(shù)據(jù)模型。同時，模糊控制屬于一種語言控制模式，為操作人員利用自然語言在人機對話方面提供了便利的條件。另外，模糊控制也相對容易控制，具有良好的適應性和容錯性特點。

2 RBF神經(jīng)網(wǎng)絡概述

2.1 定義

RBF神經(jīng)網(wǎng)絡屬于一種向前神經(jīng)網(wǎng)絡，并且其性能相對較好，具有全局逼真的性質，不存在局部最小的問題。同時，RBF神經(jīng)網(wǎng)絡的泛化性能較好，計算量也相對較小，學習速度也比其他算法要快，所以被廣泛應用到系統(tǒng)辨識和參評估等［2］。通常情況下，隱含層的各個節(jié)點均采用相同徑向基函數(shù)，采用分布式函數(shù)展開計算。另外，徑向基函數(shù)的對應中心量以及寬度是RBF神經(jīng)網(wǎng)絡中的重要參數(shù)，并且隱含層節(jié)點的傳遞函數(shù)表達公式為：

如果公式中xk＝（xk1，xk2，…，xkn），為訓練樣集中第k條輸入樣本，這時Vi＝（Vi1，Vi2，…，Vim）屬于第i個隱含層神經(jīng)元的核心，σj為第i個高斯函數(shù)寬度。

2.2 特點

RBF神經(jīng)網(wǎng)可以結合實際情況，隨機選取數(shù)據(jù)，直接進行計算，并且這種計算方式相對較為簡單。同時，在這種計算方式中，隱層單元傳遞函數(shù)的中心可以根據(jù)輸入的樣本數(shù)據(jù)進行隨機選取，并且中心處于固定的狀態(tài)。另外，RBF神經(jīng)網(wǎng)中心確定以后，方差計算公式為：

其中中心之間的最大距離也叫做基函數(shù)的最大值。另外，隱層單元中心數(shù)在確定中心和方差以后，隱層單元的數(shù)據(jù)就會呈現(xiàn)已知的狀態(tài)，這樣網(wǎng)絡的連接可以利用線性方程確定。

RBF神經(jīng)網(wǎng)的中心以長線移動的狀態(tài)，利用自組學習的方式去定中心位置。同時，輸出層的線性權數(shù)值可以利用監(jiān)督學習的規(guī)則進行計算，所以說RBF神經(jīng)網(wǎng)屬于一種混合的學習方式。RBF神經(jīng)網(wǎng)的自組織學習過程，可以從某種角度來說，對網(wǎng)絡資源進行了充分的利用和分配，促使RBF神經(jīng)網(wǎng)的中心屬于輸入空間的重要區(qū)域。另外，RBF神經(jīng)網(wǎng)絡計算過程相對較為簡單，計算速度相對較快，且便于使用。同時，RBF神經(jīng)網(wǎng)計算主要是由兩個方面組成，第一，為自組織學習階段，也就是學習隱層基函數(shù)中心與方差階段；第二，為監(jiān)督學習階段，也就是輸出層權數(shù)值階段。

3 RBF神經(jīng)網(wǎng)絡與模糊控制的具體應用

為了保證短期負荷預測的準確性，將RBF神經(jīng)網(wǎng)絡與模糊控制應用到其中，下面就對這兩點內容的具體應用，展開了分析和闡述。

3.1 RBF神經(jīng)網(wǎng)絡的短期負荷預測

為了降低問題求解的規(guī)模，需要對每一個預測點進行預測模型的構建，并且在模型構建的時候，設置t日為預測日，將樣本輸入其中，主要包括t－1日的i、h的負荷值；t－2日的i、h的負荷值，選取t－1和t－2的最高溫度、最低溫度、平均溫度、天氣值等，以此對短期負荷進行預測。同時，如果每個樣本含有較多的特性指標，這時就需要根據(jù)經(jīng)驗，對輸入樣本進行合理的選擇，確保后期計算的準確性［3］。另外，在訓練樣本輸入到RBF神經(jīng)網(wǎng)絡以后，需要對天氣、日類型因素等進行綜合考慮，基于此進行模糊量化，并且需要將訓練樣本負荷值進行歸一化處理，確保處理的參數(shù)值在［－1，1］區(qū)間。歸一化函數(shù)計算公式為：

公式中的i＝1，2，…，m，xij為原始參數(shù)，xjmax，xjmix為：x1j，x2j，…，x1j中的最大參數(shù)值，或者最小參數(shù)值。在計算期間，還需要將溫度數(shù)據(jù)進行規(guī)格化處理，其公式為：

并且需要對訓練數(shù)據(jù)進行使用，根據(jù)誤差規(guī)定對權值進行訓練，利用RBF神經(jīng)網(wǎng)絡對訓練數(shù)據(jù)進行擬合，確保擬合參數(shù)處于最佳的狀態(tài)。公式中f（x）為規(guī)格化的訓練溫度系數(shù)，x為溫度（單位為℃）［4］。

3.2 預測因子自調整模糊控制

3.2.1 模糊控制輸入以及輸出。

首先在使用RBF神經(jīng)網(wǎng)絡預測以后，經(jīng)常出現(xiàn)網(wǎng)絡參數(shù)無法適應短期負荷的變化，導致預測結果產(chǎn)生一定的誤差，這時為了有效解決該項問題，將模糊控制應用于其中，對短期負荷預測結果進行修改，并且利用模糊控制器展開進一步的調整，減少誤差產(chǎn)生的可能性［5］，從而提升結果的準確性。其次，在模糊控制器輸入各項參數(shù)期間，一般以當前整點時的誤差e與誤差變化率c作為基礎，并且在模糊化的時候，需要將變化范圍進行統(tǒng)一規(guī)范，可以設定為：［－0，1，0，1］以及［－30，30］，根據(jù)公式展開計算，其計算公式為：

公式中的s（t）為當前時刻的實際參數(shù)，y（t）為當前的預測參數(shù)值。

3.3.2 模糊控制器實施。

將模糊控制應用到短期負荷中，可以很好地消除RBF神經(jīng)網(wǎng)絡所產(chǎn)生的誤差或者誤差變化率，進而形成調整量，降低預測誤差產(chǎn)生的可能性。同時，模糊控制器地方輸入?yún)?shù)如果為誤差E，并且誤差變化率為EC的話，這時輸出的負荷預測修正量的系數(shù)為α，模糊控制器中的誤差E和誤差變化率EC歸分為7個語言中，主要包括：負大、負中、負小、零、正小、正中、正大。模型的主要任務就是準確得出修正系數(shù)α，α主要代表著誤差和誤差變化率的加權程度，充分反映了預測人員控制行為的思想特點［6］。如果誤差值以及修正系數(shù)偏大的話，模糊控制器就會消除誤差。反之偏小的話，誤差變化率在修正量中所占據(jù)的比例也會增加，這時控制功能就會消除無差變化，確保電力系統(tǒng)運行的穩(wěn)定性。另外，所有模糊語言變量的語言值是有理數(shù)函數(shù)描述，形成模糊子集，可以利用三角隸屬函數(shù)對模糊輸入變量，以及模糊輸出變量的語言值進行描述，從而保證預測的準確性［7］。

4 實例分析

根據(jù)以上的計算方式，結合某地區(qū)電力短期負荷預測歷史數(shù)據(jù)，以及天氣情況，對某個時間段的短期負荷進行預測。同時，預測天氣多為多云，溫度范圍為20.3～28.4℃，天氣狀況相對較為良好的情況。這時在短期負荷預測的時候，需要根據(jù)就近的原則，確定神經(jīng)網(wǎng)絡輸入樣本數(shù)量，并且采取單一的神經(jīng)網(wǎng)絡方式，對結果進行預測。利用RBF神經(jīng)網(wǎng)絡以及模糊控制相互結合的方式，對平均絕對誤差數(shù)值進行預測，其數(shù)值為0.75%，然而僅利用RBF神經(jīng)網(wǎng)絡進行預測，平均絕對誤差數(shù)值為1.19%［8-9］。RBF神經(jīng)網(wǎng)絡與模糊控制相互結合，可以有效提高預測的準確性，尤其是一些預測點不理想的情況，以此保證整點預測的效果。

5 結束語

綜上所述，短期負荷預測是保證電力系統(tǒng)穩(wěn)定運行的關鍵，并且在RBF神經(jīng)網(wǎng)絡與模糊控制的基礎之上，通過利用各種技術方式以及模糊控制器，對各個方面進行綜合考慮，可以有效降低誤差的產(chǎn)生，確保預測的準確性，準確判斷出電力系統(tǒng)未來一段時間的變化狀態(tài)，做好相應的調整工作，減少異常的情況的產(chǎn)生，提升電力系統(tǒng)服務質量。另外，在短期負荷預測期間，基于RBF神經(jīng)網(wǎng)絡與模糊控制，可以充分展現(xiàn)出兩者存在的優(yōu)勢，滿足電力系統(tǒng)運行的需求。