崔林然 侯云超 杨海柱
（1.河南理工大学 2.国网晋城供电公司）
0 引言
短期负荷预测主要是从已知的电力需求出发，通过对以往的数据分析，并且对经济、气候等因素进行综合考虑，从而对未来一段时间的用电需求作出判断和预测。同时，短期负荷预测也是电力系统规划、供电、调度的重点内容，合理的预测可以有效保证电网运行的安全性和稳定性，并且可以根据未来的需求，适当对电网进行增容和改建。同时，随着各项先进技术的发展，将RBF神经网络与模糊控制应用于短期负荷预测中，这样可以有效解决传统线性预测存在的不足和缺陷，利用RBF神经网络与模糊控制进行网络仿真和训练，可以有效提升预测的准确性。另外，RBF神经网络与模糊控制理论的应用，也是电力系统未来发展的重要的方向。
1 模糊控制概述
1.1 定义
模糊控制主要是模糊数学语言进行描述，从而对系统工作的控制方式进行操纵，并且模糊控制主要分为四个方面，主要有模糊化、规则库、模糊推论、解模糊等方面，第一，模糊化主要的作用为选定模糊控制器的输入量，并且将其进行转换，成为系统可识别的模糊量（主要包括三点，首先对输入量满足的模糊控制需求进行处理［1］；其次，将输入量进行尺寸转换；最后，需要对各个输入量的数据语言取值以及相应的隶属度函数进行确定）；第二，规则库主要是根据专家的经验构建完善的模糊规则库，并且模糊规则库包含了诸多的众多的控制规则，从实际控制经验转换成模糊控制；第三，模糊推论是根据知识展开推理决策；第四，解模糊的作用就是将推理所得到的控制量进行转化，形成控制输出。
1.2 控制规则
模糊控制规则主要表现为专家经验和知识、操作员的操作模式、学习等方面，下面就针对这几点内容，展开了分析和阐述。
（1）专家经验和知识。模糊控制也可以叫做控制系统中的专家系统，并且将人类日常生活作为基础，对各项事情进行判断，利用语言定性分析对于数值定量。同时，模糊控制还可以提供一个描述人行为以及决策的自然架构。另外，专家知识一般可以用if….then型式进行表示。
（2）操作员操作模式。专家可以根据模糊控制理论，对复杂的控制对象进行操作，但是将专家诀窍进行逻辑化描述相对较为困难，这时就需要在控制上采取一些技巧。同时，在操作模式中，可以将各项数据整理为if….then的型式，从而形成一组控制规则。
（3）学习。为了进一步的改善模糊控制设备的使用性能，必须让各项设备拥有自我学习能力，以及自我组织的能力，促使模糊控制设备根据预先谁当的目标，增加或合删减、修改控制规则。
1.3 优势
（1）在非线性、时变、滞后、模型不完全系统控制等方面模糊控制可以将系统设计变为简单。同时，模糊控制不会依赖于被控制对象的数学模型，确保控制的精准度。
（2）模糊控制主要是利用控制法，对系统变量之间的关系进行描述，并且在描述期间，不需要利用数值，仅仅是利用语言模式的模糊变量进行描述，并且也不许对控制对象构建数据模型。同时，模糊控制属于一种语言控制模式，为操作人员利用自然语言在人机对话方面提供了便利的条件。另外，模糊控制也相对容易控制，具有良好的适应性和容错性特点。
2 RBF神经网络概述
2.1 定义
RBF神经网络属于一种向前神经网络，并且其性能相对较好，具有全局逼真的性质，不存在局部最小的问题。同时，RBF神经网络的泛化性能较好，计算量也相对较小，学习速度也比其他算法要快，所以被广泛应用到系统辨识和参评估等［2］。通常情况下，隐含层的各个节点均采用相同径向基函数，采用分布式函数展开计算。另外，径向基函数的对应中心量以及宽度是RBF神经网络中的重要参数，并且隐含层节点的传递函数表达公式为：
如果公式中xk＝（xk1，xk2，…，xkn），为训练样集中第k条输入样本，这时Vi＝（Vi1，Vi2，…，Vim）属于第i个隐含层神经元的核心，σj为第i个高斯函数宽度。
2.2 特点
RBF神经网可以结合实际情况，随机选取数据，直接进行计算，并且这种计算方式相对较为简单。同时，在这种计算方式中，隐层单元传递函数的中心可以根据输入的样本数据进行随机选取，并且中心处于固定的状态。另外，RBF神经网中心确定以后，方差计算公式为：
其中中心之间的最大距离也叫做基函数的最大值。另外，隐层单元中心数在确定中心和方差以后，隐层单元的数据就会呈现已知的状态，这样网络的连接可以利用线性方程确定。
RBF神经网的中心以长线移动的状态，利用自组学习的方式去定中心位置。同时，输出层的线性权数值可以利用监督学习的规则进行计算，所以说RBF神经网属于一种混合的学习方式。RBF神经网的自组织学习过程，可以从某种角度来说，对网络资源进行了充分的利用和分配，促使RBF神经网的中心属于输入空间的重要区域。另外，RBF神经网络计算过程相对较为简单，计算速度相对较快，且便于使用。同时，RBF神经网计算主要是由两个方面组成，第一，为自组织学习阶段，也就是学习隐层基函数中心与方差阶段；第二，为监督学习阶段，也就是输出层权数值阶段。
3 RBF神经网络与模糊控制的具体应用
为了保证短期负荷预测的准确性，将RBF神经网络与模糊控制应用到其中，下面就对这两点内容的具体应用，展开了分析和阐述。
3.1 RBF神经网络的短期负荷预测
为了降低问题求解的规模，需要对每一个预测点进行预测模型的构建，并且在模型构建的时候，设置t日为预测日，将样本输入其中，主要包括t－1日的i、h的负荷值；t－2日的i、h的负荷值，选取t－1和t－2的最高温度、最低温度、平均温度、天气值等，以此对短期负荷进行预测。同时，如果每个样本含有较多的特性指标，这时就需要根据经验，对输入样本进行合理的选择，确保后期计算的准确性［3］。另外，在训练样本输入到RBF神经网络以后，需要对天气、日类型因素等进行综合考虑，基于此进行模糊量化，并且需要将训练样本负荷值进行归一化处理，确保处理的参数值在［－1，1］区间。归一化函数计算公式为：
公式中的i＝1，2，…，m，xij为原始参数，xjmax，xjmix为：x1j，x2j，…，x1j中的最大参数值，或者最小参数值。在计算期间，还需要将温度数据进行规格化处理，其公式为：
并且需要对训练数据进行使用，根据误差规定对权值进行训练，利用RBF神经网络对训练数据进行拟合，确保拟合参数处于最佳的状态。公式中f（x）为规格化的训练温度系数，x为温度（单位为℃）［4］。
3.2 预测因子自调整模糊控制
3.2.1 模糊控制输入以及输出。
首先在使用RBF神经网络预测以后，经常出现网络参数无法适应短期负荷的变化，导致预测结果产生一定的误差，这时为了有效解决该项问题，将模糊控制应用于其中，对短期负荷预测结果进行修改，并且利用模糊控制器展开进一步的调整，减少误差产生的可能性［5］，从而提升结果的准确性。其次，在模糊控制器输入各项参数期间，一般以当前整点时的误差e与误差变化率c作为基础，并且在模糊化的时候，需要将变化范围进行统一规范，可以设定为：［－0，1，0，1］以及［－30，30］，根据公式展开计算，其计算公式为：
公式中的s（t）为当前时刻的实际参数，y（t）为当前的预测参数值。
3.3.2 模糊控制器实施。
将模糊控制应用到短期负荷中，可以很好地消除RBF神经网络所产生的误差或者误差变化率，进而形成调整量，降低预测误差产生的可能性。同时，模糊控制器地方输入参数如果为误差E，并且误差变化率为EC的话，这时输出的负荷预测修正量的系数为α，模糊控制器中的误差E和误差变化率EC归分为7个语言中，主要包括：负大、负中、负小、零、正小、正中、正大。模型的主要任务就是准确得出修正系数α，α主要代表着误差和误差变化率的加权程度，充分反映了预测人员控制行为的思想特点［6］。如果误差值以及修正系数偏大的话，模糊控制器就会消除误差。反之偏小的话，误差变化率在修正量中所占据的比例也会增加，这时控制功能就会消除无差变化，确保电力系统运行的稳定性。另外，所有模糊语言变量的语言值是有理数函数描述，形成模糊子集，可以利用三角隶属函数对模糊输入变量，以及模糊输出变量的语言值进行描述，从而保证预测的准确性［7］。
4 实例分析
根据以上的计算方式，结合某地区电力短期负荷预测历史数据，以及天气情况，对某个时间段的短期负荷进行预测。同时，预测天气多为多云，温度范围为20.3～28.4℃，天气状况相对较为良好的情况。这时在短期负荷预测的时候，需要根据就近的原则，确定神经网络输入样本数量，并且采取单一的神经网络方式，对结果进行预测。利用RBF神经网络以及模糊控制相互结合的方式，对平均绝对误差数值进行预测，其数值为0.75%，然而仅利用RBF神经网络进行预测，平均绝对误差数值为1.19%［8-9］。RBF神经网络与模糊控制相互结合，可以有效提高预测的准确性，尤其是一些预测点不理想的情况，以此保证整点预测的效果。
5 结束语
综上所述，短期负荷预测是保证电力系统稳定运行的关键，并且在RBF神经网络与模糊控制的基础之上，通过利用各种技术方式以及模糊控制器，对各个方面进行综合考虑，可以有效降低误差的产生，确保预测的准确性，准确判断出电力系统未来一段时间的变化状态，做好相应的调整工作，减少异常的情况的产生，提升电力系统服务质量。另外，在短期负荷预测期间，基于RBF神经网络与模糊控制，可以充分展现出两者存在的优势，满足电力系统运行的需求。
