一种高效且稀疏的核化灰度RVFL网络在能源预测中的应用 龚文康（Wenkang Gong） 宗高峰（Gaofeng Zong）

《Systems》：An Efficient and Sparse Kernelized Gray RVFL Network for Energy Forecasting Wenkang Gong and Gaofeng Zong

能量预测中提出GRVFL框架及KGRVFL变体，通过RVFL网络与灰色系统建模结合，采用稀疏正则化与贝叶斯优化实现小样本学习，并引入分数阶惩罚优化效率，实验验证其优于传统灰色模型和机器学习方法。

　　

摘要

可靠的能源预测对于电力和燃料系统的规划与调度至关重要；然而，能源数据序列通常样本量较小且存在明显的非线性特征。为了解决这一问题，我们提出了一种基于灰色随机向量函数链接（GRVFL）的框架，并进一步开发了其核化变体（KGRVFL）。在GRVFL中，将RVFL网络整合到灰色系统建模中，通过稀疏正则化回归来学习参数，从而实现无需反向传播或进化优化的稳定且可复制的训练过程。超参数的调整采用基于Top-k平均绝对百分比误差（Top-k MAPE）准则的贝叶斯优化方法，以提高模型的鲁棒性。为了进一步优化模型的紧凑性，我们引入了一种分数比例类型的惩罚函数，并利用分数坐标下降（FCD）算法高效地解决相关问题。所提出的方法在六个真实世界的能源数据集上进行了测试，使用了八种评估指标。与九种灰色模型基线和六种机器学习预测方法相比，结果表明，在小样本条件下，稀疏KGRVFL（SKGRVFL）具有更高的预测准确性和更稳定的训练性能。