基于强化自组织映射和径向基神经网络的短期负荷预测

发布时间：2022-08-11 12:07

　　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%。 

【文章页数】：8 页

【文章目录】：
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


【参考文献】：
期刊论文
[1]考虑气象因素的短期光伏出力预测的奇异谱分析方法[J]. 黎静华,赖昌伟.  电力自动化设备. 2018(05)
[2]基于深度强化学习的电网紧急控制策略研究[J]. 刘威,张东霞,王新迎,侯金秀,刘丽平.  中国电机工程学报. 2018(01)
[3]考虑需求响应综合影响因素的RBF-NN短期负荷预测模型[J]. 张智晟,于道林.  中国电机工程学报. 2018(06)
[4]基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用[J]. 黎静华,黄乾,韦善阳,黄玉金.  电网技术. 2017(10)
[5]风险调度中引入知识迁移的细菌觅食强化学习优化算法[J]. 韩传家,张孝顺,余涛,瞿凯平.  电力系统自动化. 2017(08)
[6]基于条件Copula函数的风电功率区间预测[J]. 兰飞,桑川川,梁浚杰,黎静华.  中国电机工程学报. 2016(S1)
[7]梯度下降法的分析和改进[J]. 郭跃东,宋旭东.  科技展望. 2016(15)
[8]基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法[J]. 单英浩,付青,耿炫,朱昌亚.  中国电机工程学报. 2016(12)
[9]不同核函数的支持向量机用于空调负荷预测的对比研究[J]. 王东,史晓霞,尹交英.  电工技术学报. 2015(S1)
[10]光伏发电出力的条件预测误差概率分布估计方法[J]. 赵唯嘉,张宁,康重庆,王跃峰,李鹏,马烁.  电力系统自动化. 2015(16)



本文编号：3674633