基于强化自组织映射和径向基神经网络的短期负荷预测
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，SOM）训练RBF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...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Editorial Office of Journal of Global Energy Interconnection
2019-01-01
|
| Series: | 全球能源互联网 |
| Subjects: | |
| Online Access: | http://www.gei-journal.com/cn/upload/files/201901/09基于强化自组织映射和径向基神经网络的短期负荷预测.pdf |
| _version_ | 1819103823188197376 |
|---|---|
| author | 黄乾 马开刚 韦善阳 黎静华 |
| author_facet | 黄乾 马开刚 韦善阳 黎静华 |
| author_sort | 黄乾 |
| collection | DOAJ |
| description | 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，SOM）训练RBF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%。 |
| first_indexed | 2024-12-22T01:56:35Z |
| format | Article |
| id | doaj.art-6ad0e7c1f9ae4a61802a4f3a770f1a27 |
| institution | Directory Open Access Journal |
| issn | 2096-5125 |
| language | zho |
| last_indexed | 2024-12-22T01:56:35Z |
| publishDate | 2019-01-01 |
| publisher | Editorial Office of Journal of Global Energy Interconnection |
| record_format | Article |
| series | 全球能源互联网 |
| spelling | doaj.art-6ad0e7c1f9ae4a61802a4f3a770f1a272022-12-21T18:42:46ZzhoEditorial Office of Journal of Global Energy Interconnection全球能源互联网2096-51252019-01-0121707710.19705/j.cnki.issn2096-5125.2019.01.009基于强化自组织映射和径向基神经网络的短期负荷预测黄乾0马开刚1韦善阳2黎静华3广西电力系统最优化与节能技术重点实验室（广西大学），广西壮族自治区 南宁市 530004广西电力系统最优化与节能技术重点实验室（广西大学），广西壮族自治区 南宁市 530004广西电力系统最优化与节能技术重点实验室（广西大学），广西壮族自治区 南宁市 530004广西电力系统最优化与节能技术重点实验室（广西大学），广西壮族自治区 南宁市 530004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，SOM）训练RBF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%。http://www.gei-journal.com/cn/upload/files/201901/09基于强化自组织映射和径向基神经网络的短期负荷预测.pdf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 |
| spellingShingle | 黄乾 马开刚 韦善阳 黎静华 基于强化自组织映射和径向基神经网络的短期负荷预测 全球能源互联网 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 |
| title | 基于强化自组织映射和径向基神经网络的短期负荷预测 |
| title_full | 基于强化自组织映射和径向基神经网络的短期负荷预测 |
| title_fullStr | 基于强化自组织映射和径向基神经网络的短期负荷预测 |
| title_full_unstemmed | 基于强化自组织映射和径向基神经网络的短期负荷预测 |
| title_short | 基于强化自组织映射和径向基神经网络的短期负荷预测 |
| title_sort | 基于强化自组织映射和径向基神经网络的短期负荷预测 |
| topic | 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 |
| url | http://www.gei-journal.com/cn/upload/files/201901/09基于强化自组织映射和径向基神经网络的短期负荷预测.pdf |
| work_keys_str_mv | AT huángqián jīyúqiánghuàzìzǔzhīyìngshèhéjìngxiàngjīshénjīngwǎngluòdeduǎnqīfùhéyùcè AT mǎkāigāng jīyúqiánghuàzìzǔzhīyìngshèhéjìngxiàngjīshénjīngwǎngluòdeduǎnqīfùhéyùcè AT wéishànyáng jīyúqiánghuàzìzǔzhīyìngshèhéjìngxiàngjīshénjīngwǎngluòdeduǎnqīfùhéyùcè AT líjìnghuá jīyúqiánghuàzìzǔzhīyìngshèhéjìngxiàngjīshénjīngwǎngluòdeduǎnqīfùhéyùcè |