典型文献
基于改进多元宇宙算法优化ELM的短期电力负荷预测
文献摘要：
为改善因人工神经网络参数随机初始化对短期电力负荷预测带来的不足,提出一种基于改进多元宇宙(improved multivariate universe optimizer,IMVO)算法优化极限学习机(extreme learning machine,ELM)的短期电力负荷预测方法.算法的改进包含3个方面.首先,添加beta分布的随机数得到改进Tent混沌映射方法,采用遍历均匀性更好的改进Tent混沌映射方法使MVO算法得到好的初始解位置.其次,采用指数形式改进传统MVO算法的旅行距离率,利用指数形式改进后可使算法在整个寻优迭代前中期保持较高的全局开发水平.然后,采用精英反向学习的方法改进宇宙群.通过基准函数测试改进前后算法的性能,表明IMVO算法具有更好的稳定性和鲁棒性.最后,利用IMVO算法优化ELM的权值和阈值,建立IMVO-ELM短期电力负荷预测模型.通过实例分析和实验对比,表明IMVO-ELM模型的稳定性、预测精度和泛化能力均优于其他模型.
文献关键词：
短期电力负荷预测;多元宇宙算法;极限学习机;改进Tent混沌映射;精英反向学习
中图分类号：
作者姓名：
龙干;黄媚;方力谦;郑林灵;蒋崇颖;张勇军
作者机构：
深圳供电局有限公司,广东 深圳 518000;华南理工大学电力学院,广东 广州 510640
文献出处：
引用格式：
[1]龙干;黄媚;方力谦;郑林灵;蒋崇颖;张勇军-.基于改进多元宇宙算法优化ELM的短期电力负荷预测)[J].电力系统保护与控制,2022(19):99-106
A类：
IMVO
B类：
多元宇宙算法,算法优化,ELM,短期电力负荷预测,因人,人工神经网络,网络参数,初始化,improved,multivariate,universe,optimizer,化极,极限学习机,extreme,learning,machine,负荷预测方法,beta,Tent,混沌映射,映射方法,遍历,初始解,行距离,前中期,发水,精英反向学习,方法改进,基准函数,函数测试,进前,权值,负荷预测模型,实验对比,泛化能力
AB值：
0.259337
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
