基于强化自组织映射和径向基神经网络的短期负荷预测

Abstract

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%。

Keywords

• 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