徑向基（radial basis function,RBF）神經(jīng)網(wǎng)絡(luò)因其泛化能力強、收斂速度快的特點廣泛應(yīng)用于負荷預(yù)測。但傳統(tǒng)采用K-means和自組織映射（self-organizing map,S O M）訓(xùn)練R B F徑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優(yōu)解的問題,嚴重制約了RBF預(yù)測精度的提高。針對此問題,提出了一種基于強化學(xué)習(xí)（reinforcement learning,RL）改進的RBF短期負荷預(yù)測方法。強化學(xué)習(xí)通過環(huán)境的反饋不斷完善搜索策略,具有非常突出的全局搜索能力。所提方法將強化學(xué)習(xí)以環(huán)境反饋修正搜索策略的機制應(yīng)用于SOM,大幅增強了SOM的全局搜索能力,使其獲得逼近最優(yōu)的徑向基中心,提高RBF負荷預(yù)測精度。以英國某地區(qū)2016年5～9月的負荷數(shù)據(jù)進行仿真實驗。結(jié)果顯示,與采用K-means和SOM方法訓(xùn)練徑向基中心的RBF相比,所提的強化學(xué)習(xí)改進RBF方法的負荷預(yù)測平均相對誤差分別由4.58%和4.37%降低至3.30%。 

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 徑向基 (RBF) 神經(jīng)網(wǎng)絡(luò)負荷預(yù)測方法
    1.1 徑向基 (RBF) 神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型
    1.2 傳統(tǒng)徑向基 (RBF) 網(wǎng)絡(luò)預(yù)測方法的不足
2 強化自組織映射 (RL-SOM) 的徑向基中心訓(xùn)練方法
    2.1 強化自組織映射 (RL-SOM) 基本思想
    2.2 基于強化學(xué)習(xí) (RL) 的競爭獎勵機制
    2.3 強化自組織映射 (RL-SOM) 聚類模型
3 RBF負荷預(yù)測模型的整體參數(shù)訓(xùn)練
4 仿真分析
    4.1 算例說明
    4.2 仿真實驗分析
        4.2.1 RL-SOM方法聚類效果分析
        4.2.2 基于RL-SOM和RBF的負荷預(yù)測效果分析
5 結(jié)論


【參考文獻】：
期刊論文
[1]考慮氣象因素的短期光伏出力預(yù)測的奇異譜分析方法[J]. 黎靜華,賴昌偉.  電力自動化設(shè)備. 2018(05)
[2]基于深度強化學(xué)習(xí)的電網(wǎng)緊急控制策略研究[J]. 劉威,張東霞,王新迎,侯金秀,劉麗平.  中國電機工程學(xué)報. 2018(01)
[3]考慮需求響應(yīng)綜合影響因素的RBF-NN短期負荷預(yù)測模型[J]. 張智晟,于道林.  中國電機工程學(xué)報. 2018(06)
[4]基于S-BGD和梯度累積策略的改進深度學(xué)習(xí)方法及其在光伏出力預(yù)測中的應(yīng)用[J]. 黎靜華,黃乾,韋善陽,黃玉金.  電網(wǎng)技術(shù). 2017(10)
[5]風(fēng)險調(diào)度中引入知識遷移的細菌覓食強化學(xué)習(xí)優(yōu)化算法[J]. 韓傳家,張孝順,余濤,瞿凱平.  電力系統(tǒng)自動化. 2017(08)
[6]基于條件Copula函數(shù)的風(fēng)電功率區(qū)間預(yù)測[J]. 蘭飛,桑川川,梁浚杰,黎靜華.  中國電機工程學(xué)報. 2016(S1)
[7]梯度下降法的分析和改進[J]. 郭躍東,宋旭東.  科技展望. 2016(15)
[8]基于改進BP-SVM-ELM與粒子化SOM-LSF的微電網(wǎng)光伏發(fā)電組合預(yù)測方法[J]. 單英浩,付青,耿炫,朱昌亞.  中國電機工程學(xué)報. 2016(12)
[9]不同核函數(shù)的支持向量機用于空調(diào)負荷預(yù)測的對比研究[J]. 王東,史曉霞,尹交英.  電工技術(shù)學(xué)報. 2015(S1)
[10]光伏發(fā)電出力的條件預(yù)測誤差概率分布估計方法[J]. 趙唯嘉,張寧,康重慶,王躍峰,李鵬,馬爍.  電力系統(tǒng)自動化. 2015(16)



本文編號：3674633