基于ESN和改进RBFNN的城市燃气负荷预测
作者:
作者单位:

作者简介:

通讯作者:

中图分类号:

基金项目:

上海市科委项目(11510502400)


City Gas Load Forecasting Based on ESN and Improved RBFNN
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    城市燃气负荷预测是城市燃气管网系统运行调度中的重要内容.针对燃气负荷数据的周期性和非线性特点,以及单一模型存在的局限性,本文提出一种ESN和改进RBF神经网络的组合预测模型.首先用核Fisher线性判别对原始数据进行降维,其次用ESN模型进行初步预测,然后将ESN的预测结果作为RBF神经网络的输入来构建组合模型,并将差分进化算法和梯度下降算法结合,对RBF神经网络的结构和参数同时进行训练和优化,以增强算法的局部搜索能力,加快收敛速度.实验结果表明,本文模型比原组合模型的预测精度更高.

    Abstract:

    City gas load forecasting is significant to the operation of city gas networks. In consideration of the periodicity and nonlinearity of gas load data and the shortcomings of a single model, a hybrid model of Echo State Network (ESN) and improved RBF Neural Network (RBFNN) is put forward. First of all, kernel Fisher linear discriminant is utilized for dimension reduction. Secondly, we adopt ESN to do a preliminary prediction. Then, differential evolution integrated with gradient descent by encoding is used to learn and optimize the structure and parameters of RBFNN. Last but not least, the produced result of ESN is the input of RBFNN. It is validated that the proposed model has a higher precision and convergence rate compared with the initial combinational model.

    参考文献
    相似文献
    引证文献
引用本文

徐玚,徐晓钟.基于ESN和改进RBFNN的城市燃气负荷预测.计算机系统应用,2019,28(3):28-35

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2018-09-01
  • 最后修改日期:2018-09-26
  • 录用日期:
  • 在线发布日期: 2019-02-22
  • 出版日期:
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号