Stochastic optimization algorithms for learning GRNN forecasting model – comparative study

• Autorzy: Dudek G.

Identyfikatory

DOI

10.15199/48.2017.04.17

Warianty tytułu

PL

Stochastyczne algorytmy optymalizacji do uczenia modelu prognostycznego opartego na sieci GRNN – badania porównawcze

• Języki publikacji: EN

Abstrakty

EN

This paper presents stochastic optimization algorithms for learning Generalized Regression Neural Network which is used as a patternbased short-term load forecasting model. For adjustment of the model parameters four types of stochastic optimization methods are used: evolution strategies, differential evolution, particle swarm optimization and tournament searching. The learning effectiveness when using these four algorithms is compared on real power system load data.

PL

W artykule zaprezentowano stochastyczne algorytmy uczenia sieci neuronowej regresji uogólnionej, która pełni funkcję modelu krótkoterminowego prognozowania obciążeń elektroenergetycznych. Do strojenia parametrów modelu użyto czterech metod optymalizacji stochastycznej: strategii ewolucyjnych, ewolucji różnicowej, optymalizacji rojem cząstek i przeszukiwania turniejowego. Efektywność tych metod w uczeniu sieci porównano w badaniach symulacyjnych przy użyciu rzeczywistych danych.

Słowa kluczowe

EN

stochastic optimization algorithms; Generalized Regression Neural Network; GRNN; short-term load forecasting

PL

stochastyczne metody optymalizacji; sieć neuronowa; GRNN; prognozowanie krótkoterminowe obciążeń

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2017
• Tom: R. 93, nr 4
• Strony: 66--69
• Opis fizyczny: Bibliogr. 9 poz., rys., tab., wykr.

Twórcy

autor

Dudek G.

• Czestochowa University of Technology, Institute of Computer Science, al. Armii Krajowej 17, 42-200 Czestochowa, Poland

Bibliografia

• [1] Specht D.F. , A General Regression Neural Network, IEEE Transactions on Neural Networks, 2 (1991), No. 6, 568-576
• [2] Dudek G., Pattern Similarity-based Methods for Short-term Load Forecasting – Part 1: Principles, Applied Soft Computing, 37 (2015), 277-287
• [3] Beyer H.G. , Schwefel H.P. , Evolution Strategies - A Comprehensive Introduction, Natural Computing, 1 (2002), No. 1, 3-52
• [4] Storn R. , Price K. , Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces, Journal of Global Optimization 11 (1997), No. 4, 341- 359
• [5] Das S. , Suganthan P.N., Differential Evolution: A Survey of the State-of-the-Art, IEEE Transactions on Evolutionary Computation 15 (2011), No. 1, 4-31
• [6] Eberhart R. C. , Shi Y. H. , Particle Swarm Optimization: Developments, Applications and Resources, Proc. IEEE Congr. Evol. Comput. (2001), 81-86
• [7] Eberhart R. C. , Shi Y. H. , Comparing Inertia Weights and Constriction Factors in Particle Swarm Optimization, Proc. IEEE Congr. Evol. Comput. (2000), 84-88
• [8] Dudek G., Tournament Searching Method to Feature Selection Problem, Proc. Artificial Intelligence and Soft Computing, LNCS 6114, (2010), 437-444
• [9] Dudek G., Tournament Searching Method for Optimization of the Forecasting Model Based on the Nadaraya-Watson Estimator, Proc. Artificial Intelligence and Soft Computing, LNCS 8468, (2014), 351-360

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).