4.3 Нейронечеткие модели прогнозирования электропотребления
Гибридизация нейронных сетей с нечеткой логикой позволяет существенно повысить эффективность работы таких нейронечетких систем за счет того, что недостатки, присущие одной из технологий, компенсируются преимуществами другой. В частности, ИНС хорошо распознают образы, но процесс работы обученной сети сложен для понимания. В то же время системы НЛ хорошо объясняют выводы, но имеют ограничения на количество входных переменных. Вследствие этого возможно построение гибридных нейронечетких систем, в которых выводы формируются на основе НЛ, а ФП подстраиваются с помощью ИНС. Преимущества таких систем очевидно: построенная структура является логически прозрачной.
Математический аппарат теории нечетких множеств и его приложения к задачам практики начали формироваться еще в 60-е годы и в настоящее время теория нечетких множеств применяется в различных областях техники. В задачах оптимизации режимов СЭС, расчета и прогнозирования электрических нагрузок модели, основанные на использовании теории нечетких множеств и нечеткой логики, начинают применяться в 80-90-е годы.
Одной из разновидности нейронечеткой системы является адаптивная нечеткая нейронная система вывода (Adaptive Neuro-Fuzzy Inference System — ANFIS) [56]. В этой системе использовался алгоритм Сугено в качестве системы вывода.
При рассмотрении ANFIS для упрощения допустим, что нечеткая система имеет два входа х, у и один выход f. Пусть база правил содержит всего лишь два правила вида «если…, то...»:
П1: если х есть А1, и у есть B1 то f1 , = p1x+q1y;
П2: если х есть А2 и у есть В2, то f 2 = р2х + q2y.
Соответствующая системе ANFIS архитектура нейронной сети показана на рис. 1.
Каждый слой сети выполняет следующие функции.
Слой 1.
Каждый нейрон этого слоя (обозначен квадратом на рис. 1) есть величина, равная,
(1)
где
x — вход в нейрон i; Аi — лингвистическая
переменная (малая, большая и т. п.),
ассоциированная с функцией нейрона;
— ФП переменной Аi, определяющая степень,
с которой х удовлетворяет переменной
Аi. В первоначально предложенном варианте
ФП 
были выбраны в виде колоколообразной
кривой с максимумом, равным 1, и минимумом,
равным 0. Формулы, отображающие такую
кривую, имеют вид:
;
(2)
, (3)
где ai, bi ,ci — устанавливаемые параметры.
П
ри
изменении этих параметров соответственно
будут меняться функ
ции определяющие различные формы ФП переменной Аi.
Иными словами, можно сказать, что выходы нейронов этого слоя представляют собой значения ФП при конкретных значениях входных переменных.
Слой 2.
Каждый нейрон этого слоя (обозначен кружком П) перемножает входящие сигналы и посылает полученное произведение в следующий слой. Например,
,i = l;2. (4)
Каждый выход этого слоя определяет активизацию правила.
Слой 3.
Нейрон этого слоя (обозначен кружком N) вычисляет отношение величин:
,i
= l;2. (5)
Выходы этого слоя могут быть названы нормированной активацией правила.
Слой 4.
Нейрон с индексом i (обозначен квадратом) данного слоя выполняет следующую операцию
.
(6)
Слой 5.
Единственный нейрон этого слоя (обозначен кружком) вычисляет итоговый выход как сумму всех входящих сигналов
(7)