模糊负荷预测是近几年比较热门的研究方向。
模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数。
下面介绍模糊预测的一些基本方法。
①表格查寻法：表格法是一种相对简单明了的算法。这个方法的基本思想是从已知输入—输出数据对中产生模糊规则，形成一个模糊规则库，最终的模糊逻辑系统将从组合模糊规则库中产生。
这是一种简单易行的易于理解的算法，因为它是个顺序生成过程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络系统的一大优点，即构造起来既简单又快速。
②基于神经网络集成的高木-关野模糊预测算法：它是利用神经网络来求得条件的输入变量的联合隶属函数。结论部的函数f(X)也可以用神经网络来表示。神经网络均采用前向型的BP网络。
高木-关野模糊预测算法虽然已得到了很大的应用，适用于各种复杂的建模，取得了较好的预测效果，但是它对输入变量的要求较高等缺点，这必然限制了它的应用。
③改进的模糊神经网络模型的算法：模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神经网络(如前向反馈神经网络，HoPfield神经网络)赋予模糊输入信号和模糊权。
对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。
第五章 结束语
本文介绍的电力短期负荷预测的特点，即都是受多个影响因素共同影响，且各个因素之间有着比较复杂的关系，具有高度不确定的非线性系统，利用传统的预测方法有着诸多限制，而采用神经网络方法则能较好地克服这些限制，实现精确的非线性预测。
为了进一步提高网络的预测精度，需要从以下几个方面展开研究：
（1）网络的训练过程是从给定的样本数据中归纳出输入、输出之间的复杂规律，为了能够更加精确地对系统进行预测，样本数据应该尽可能准确。
（2）提高网络预测能力的主要途径有：1）尽可能增加样本的涵盖面；2）在输入中尽可能地包括影响输出的主要因子；3）确定适当的收敛误差。对于常用的BP算法，可考虑采用遗传算法、小波分析和径向基函数做进一步的深入研究。
（3）针对BP算法中存在的收敛速度慢、易陷入局部最小值的问题，可采用附加动量法和自适应学习速率法在一定程度上解决这些问题。附加动量法是在BP算法的基础上，在每个权值变化上加上一项正比于上一次权值变化量的值，并根据BP算法来产生新的权值变化，利用附加动量法可能会避开某些局部最小值。自适应学习速率法是在学习过程中不断修正学习速率，有利于提高学习效率，缩短学习时间。
参考文献
[1]飞思科技产品研发中心编.神经网络理论与MATLAB7实现[M].北京：电子工业出版社， 2005
[2]许东、吴铮编著.基于MATLAB6.x的系统分析与设计——神经网络[M].西安：西安电子科技大学出版社，2002
[3]楼顺天、胡昌华、张伟编著.基于MATLAB的系统分析与设计—— 模糊系统[M].西安：西安电子科技大学出版社，2001
[4]赵希正编著.中国电力负荷特性分析与预测[M].北京：中国电力出版社，2001
[5]肖国泉、王春、张福伟编著.电力负荷预测[M].北京：中国电力出版社，2001
[6]侯志俭、李涛等.基于小波分析的电力系统短期负荷预测方法[J].中国电机工程学报，2003，23（1）：45-50
[7]冉启文、单永正、王骐等.电力系统短期负荷预报的小波-神经网络-PARIMA方法[J]. 中国电机工程学报，2003，23（3）：38-42
[8]谢宏、陈志业、牛东晓.基于小波分解与气象因素影响的电力系统日负荷预测模型研究[J]. 中国电机工程学报，2001，21（5）：5-10
[9]梁海峰、涂光瑜、唐红卫编著.遗传神经网络在电力系统短期负荷预测中的应用[J].电网技术，2001，25（1）：49-53
[19]牛东晓、邢棉等.短期电力负荷预测的小波神经元网络模型的研究[J].中国电机工程学报，1999,23(4):21-24
