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

龙 干1，黄 媚1，方力谦1，郑林灵1，蒋崇颖2，张勇军2

(1.深圳供电局有限公司，广东 深圳 518000；2.华南理工大学电力学院，广东 广州 510640)

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。

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

0 引言

精准的负荷预测可以为电力规划提供指导，保证电力系统的可靠运行和电网安全，降低成本等[1-2]。由于能源紧缺、人口增加、气候变暖、间歇性新能源发电系统及新能源汽车等新型负荷接入电网等，电力负荷需求预测难度显著增加[3-4]。

早期基于传统统计技术的负荷预测方法，如时间序列自回归模型、模糊线性回归模型和卡尔曼滤波模型[5-7]，考虑的是负荷数据的时序特性，模型可解释性较强，但对于非线性数据的预测能力有限。……