基于强化自组织映射和径向基神经网络的短期负荷预测

论文摘要

径向基（radial basis function,RBF）神经网络因其泛化能力强、收敛速度快的特点广泛应用于负荷预测。但传统采用K-means和自组织映射（self-organizing map,S O M）训练R B F径向基中心的方法因其全局搜索能力偏弱,仍然存在容易陷入局部最优解的问题,严重制约了RBF预测精度的提高。针对此问题,提出了一种基于强化学习（reinforcement learning,RL）改进的RBF短期负荷预测方法。强化学习通过环境的反馈不断完善搜索策略,具有非常突出的全局搜索能力。所提方法将强化学习以环境反馈修正搜索策略的机制应用于SOM,大幅增强了SOM的全局搜索能力,使其获得逼近最优的径向基中心,提高RBF负荷预测精度。以英国某地区2016年5～9月的负荷数据进行仿真实验。结果显示,与采用K-means和SOM方法训练径向基中心的RBF相比,所提的强化学习改进RBF方法的负荷预测平均相对误差分别由4.58%和4.37%降低至3.30%。

论文目录

• 0 引言
• 1 径向基 （RBF） 神经网络负荷预测方法
•   1.1 径向基 （RBF） 神经网络负荷预测模型
•   1.2 传统径向基 （RBF） 网络预测方法的不足
• 2 强化自组织映射 （RL-SOM） 的径向基中心训练方法
•   2.1 强化自组织映射 （RL-SOM） 基本思想
•   2.2 基于强化学习 （RL） 的竞争奖励机制
•   2.3 强化自组织映射 （RL-SOM） 聚类模型
• 3 RBF负荷预测模型的整体参数训练
• 4 仿真分析
•   4.1 算例说明
•   4.2 仿真实验分析
•     4.2.1 RL-SOM方法聚类效果分析
•     4.2.2 基于RL-SOM和RBF的负荷预测效果分析
• 5 结论

文章来源

类型: 期刊论文

作者: 黄乾,马开刚,韦善阳,黎静华

关键词: 短期负荷预测,强化学习,径向基人工神经网络,自组织映射,径向基中心

来源: 全球能源互联网 2019年01期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业,自动化技术

单位: 广西电力系统最优化与节能技术重点实验室(广西大学)

基金: 国家重点研发计划(2016YFB0900100)~~

分类号: TP183;TM715

DOI: 10.19705/j.cnki.issn2096-5125.2019.01.009

页码: 70-77

总页数: 8

文件大小: 1946K

下载量: 225