CN114626573A - 基于改进多元宇宙算法优化极限学习机的负荷预测方法 - Google Patents

基于改进多元宇宙算法优化极限学习机的负荷预测方法 Download PDF

Info

Publication number
CN114626573A
CN114626573A CN202210103424.5A CN202210103424A CN114626573A CN 114626573 A CN114626573 A CN 114626573A CN 202210103424 A CN202210103424 A CN 202210103424A CN 114626573 A CN114626573 A CN 114626573A
Authority
CN
China
Prior art keywords
universe
algorithm
learning machine
extreme learning
improved
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210103424.5A
Other languages
English (en)
Inventor
蒋崇颖
张勇军
胡列豪
安禹铮
姚蓝霓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210103424.5A priority Critical patent/CN114626573A/zh
Publication of CN114626573A publication Critical patent/CN114626573A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Nonlinear Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于改进多元宇宙算法优化极限学习机的负荷预测方法。所述方法包括以下步骤：根据极限学习机网络的参数，计算所需优化参数的数量，优化参数的目标为宇宙群；初始化多元宇宙优化算法的参数；采用改进的Tent混沌映射方法初始化宇宙种群；计算/更新宇宙的膨胀率；更新宇宙群；通过虫洞随机传送物质；采用指数形式改进传统多元宇宙优化算法的旅行距离率，更新虫洞存在率；采用精英反向学习的方法改进宇宙；如果达到最大迭代次数或满足精度要求则将优化的权值和阈值赋予极限学习机网络，否则返回更新宇宙群。本发明所提基于改进多元宇宙算法优化极限学习机的负荷预测方法具有更好的稳定性、预测精度和泛化能力。

Description

基于改进多元宇宙算法优化极限学习机的负荷预测方法
技术领域
本发明涉及电力负荷预测领域，具体涉及基于改进多元宇宙算法优化极限学习机的预测方法。
背景技术
近年来，“互联网+”为智能电网发展注入新动能，国家“双碳”战略拉开了以新能源为主体的新型电力系统建设的帷幕。精准的负荷预测可以为电力规划做出指导，保证电力系统的可靠运行、降低成本和电网安全等。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原因，电力负荷需求预测难度显著增加。
随着计算机科学和人工智能技术的发展，人工智能算法在电力负荷预测领域得到了广泛的应用。极限学习机(extreme learning machine，ELM)是一种简单易用、有效的单隐层前馈神经网络(SLFNS)学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，并且很容易产生局部最优解。ELM只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，通过Moore-Penrose广义逆矩阵求解网络的输出权值，在一定程度上克服一般神经网络的缺点，提高了网络的泛化能力和学习速度，具有较强的非线性拟合能力。然而，在训练ELM网络之前，需要对网络的输入权值和阈值进行随机初始化，对于网络参数随机初始化将给网络的训练结果带来不利影响，对此采用改进多元宇宙优化算法(IMVO)求解ELM的权值和阈值，提高ELM预测模型的稳定性、预测精度和泛化能力(王彦彬,倪铁,黄敏.一种基于PCA#PSO#ELM的瓦斯涌出量预测方法[P].辽宁：CN107122861A,2017-09-01.张颖超,邓华,王雅晨,熊雄,顾荣,黄飞.基于改进AFSA优化ELM的短期风电功率预测方法[P].江苏：CN106786499A,2017-05-31.)。
多元宇宙优化算法(Multi Verse Optimizer，MVO)是Seyedali在2015年提出的元启发式优化算法，其灵感来源于物理学中的多元宇宙理论。多元宇宙又称为平行宇宙，即宇宙是一个理论上的无限个或有限个可能宇宙的集合，包括了一切存在和可能存在的事物。我们的宇宙之外还可能存在的与我们所认知的宇宙类似的其他宇宙。MVO算法主要根据多元宇宙理论的三个重要概念—白洞、黑洞和虫洞来建立数学模型。作为一种新型智能算法，MVO算法由于需要调节的参数较少，全局寻优较好且简单易于实现，目前已经成功应用于发电功率预测、负荷调度优化等实际工程问题中。
研究表明，种群初始化作为群能算法的重要环节，初始化的位置的好坏可以直接影响算法的收敛速度和解质量，例如，均匀分布比随机分布解空间的覆盖率更全，更容易得到好的初始解。基本MVO算法采用随机种群初始化操作，无法覆盖整个解空间。混沌序列在一定范围内具有遍历性、随机性及规律性的特点与随机搜索相比，混沌序列能以更高的概率对搜索空间进行彻底搜索，可使算法跳出局部最优，保持群体的多样性。此外，为改善宇宙的整体膨胀率，假定高膨胀率的宇宙更大的可能拥有白洞。相反，低膨胀率的宇宙更可能拥有黑洞。因此，总是有很高可能性的从高膨胀率宇宙向低膨胀率宇宙移动对象。这保证了迭代过程中整个宇宙平均膨胀率的提高。
发明内容
本发明的目的在于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高电力负荷预测的稳定性、精度和泛化能力，基于此提供了一种基于改进多元宇宙算法优化极限学习机的预测方法，在电力负荷预测领域有着重要的意义。本发明采用改进Tent混沌映射初始化种群、利用基于指数形式改进旅行距离率KTDR以及基于精英反向学习机制改进宇宙，提高了优化算法的稳定性和鲁棒性。基于改进多元宇宙算法优化极限学习机的预测方法，能够得到更高的预测精度。
本发明的目的至少通过如下技术方案之一实现。
基于改进多元宇宙算法优化极限学习机的负荷预测方法，包括以下步骤：
S1、根据所设定的极限学习机(extreme learning machine，ELM)网络的参数，计算所需优化参数的数量，优化参数的目标为宇宙群；
S2、初始化多元宇宙优化算法(Multi Verse Optimizer，MVO)的参数，包括宇宙数N和最大迭代次数T；
S3、在典型Tent映射的表达式中添加符合beta分布的随机数，采用改进的Tent混沌映射方法初始化宇宙种群，使多元宇宙优化算法得到好的初始解位置；
S4、计算/更新宇宙的膨胀率(适度值)；
S5、根据轮盘机制，宇宙拥有的白洞或黑洞转移宇宙物体，更新宇宙群；
S6、通过虫洞随机传送物质；
S7、采用指数形式改进传统多元宇宙优化算法的旅行距离率KTDR，更新虫洞存在率KWEP；
S8、采用精英反向学习的方法改进宇宙，以增加宇宙群的多样性和质量；
S9、判断是否达到最大迭代次数或满足精度要求，如果达到最大迭代次数或满足精度要求则将优化的权值和阈值赋予极限学习机网络，否则返回步骤S4。
进一步地，步骤S1中，所需优化参数的数量dim，计算公式如下：
dim＝w1num+hiddennum+w2num+outputnum
其中，inputnum、outputnum和hiddennum分别为极限学习机网络的输入层、输出层和隐含层的神经元的数量，w1num＝inputnum*hiddennum为输入层权值的数量，w2num＝outputnum*hiddennum为输出层权值的数量。
进一步地，步骤S3中，在典型Tent映射的表达式中添加符合beta分布的随机数，采用改进的Tent混沌映射方法初始化宇宙种群，具体如下：
Figure BDA0003493037960000031
其中，
Figure BDA0003493037960000032
为第i个宇宙的第j维分量添加参数，μ表示混沌系数，μ值越大，混沌性能越优；betarnd为MATLAB中的随机数生成器，用于生成符合beta分布的随机数，q和m为beta分布的均值和方差，q、m>0，δ为收缩因子，用于对初始Tent种群进行扰动，μ、δ、q和m的取值范围是0至10中间的任意数；
然后对混沌序列进行逆映射，即可得到初始宇宙群个体的位置变量：
Figure BDA0003493037960000033
其中，
Figure BDA0003493037960000034
为第i个宇宙的第j维分量，也称宇宙位置，ucj和wcj分别为第j维分量的上、下界。
进一步地，步骤S4中，计算/更新宇宙的膨胀率(适度值)，具体如下：
Figure BDA0003493037960000035
其中，NC(Ui)为第i个宇宙Ui的归一化膨胀率，tk为第k个负荷数据的真实值，tpk为极限学习机(extreme learning machine，ELM)网络的预测值，M为训练数据的数量，适度值越小即表示宇宙越优。
进一步地，步骤S5中，根据轮盘机制，宇宙拥有的白洞或黑洞转移宇宙物体，更新宇宙群，具体如下：
Figure BDA0003493037960000036
其中，Ui为第i个宇宙，NC(Ui)为第i个宇宙Ui的归一化膨胀率，每个单独的宇宙的膨胀率不同；r1为[0,1]之间的随机值，
Figure BDA0003493037960000037
为轮盘赌选出的第k个宇宙的第j维分量。
进一步地，步骤S6中，宇宙之间通过虫洞随机传送物质以保证宇宙群的多样性，同时都与最优宇宙交换物质以提高膨胀率，具体如下：
Figure BDA0003493037960000041
其中，
Figure BDA0003493037960000042
为第i个宇宙的第j维分量；Zj为当前最优宇宙的第j维分量为第一次循环；ucj和wcj分别为第j维分量的上、下界；r2、r3、r4均为[0，1]中的随机数；KTDR为旅行距离率，KWEP为虫洞存在率。
进一步地，步骤S7中，采用指数形式改进传多元宇宙优化算法的旅行距离率KTDR，更新虫洞存在率KWEP，具体如下：
KTDR＝a*exp(-(bt/T)c)；
Figure BDA0003493037960000043
其中：a、b和c分别是第一影响因子、第二影响因子和第三影响因子；KWEPmax和KWEPmin为参数KWEP的上下界，t为当前迭代次数，T为最大迭代次数，p为多元宇宙优化算法的开发精度，p、KWEPmax和KWEPmin的取值范围均为[0,10]。
进一步地，步骤S8中，采用精英反向学习的方法改进宇宙，设每轮迭代更新后的宇宙都是精英个体，对于精英个体(宇宙)
Figure BDA0003493037960000044
和反向精英个体(宇宙)
Figure BDA0003493037960000045
具体如下：
Figure BDA0003493037960000046
其中，
Figure BDA0003493037960000047
为采用精英反向学习的方法改进后的第i个反向精英个体(宇宙)
Figure BDA0003493037960000048
在第j维的分量，
Figure BDA0003493037960000049
为[0,1]区间内的随机值，
Figure BDA00034930379600000410
ucj和wbj分别为动态边界的下界和上界，动态边界解决了固定边界难以保存搜索经验的问题，有利于减少算法的寻优时间；
如果反向精英个体(宇宙)
Figure BDA00034930379600000411
超过边界，利用随机生成的方式将其重置，重置方程如下：
Figure BDA00034930379600000412
计算精英个体(宇宙)和反向精英个体(宇宙)的膨胀率，保留膨胀率更优的前N个宇宙，将其作为新的宇宙种群参与下一次更新迭代。
进一步地，步骤S9中，若极限学习机(extreme learning machine，ELM)网络的预测平均相对误差小于所设定的误差阈值则认为满足精度要求。
本发明相对于现有技术具有如下的有益效果：
(1)在典型Tent映射的表达式中添加符合beta分布的随机数，利用改进Tent混沌映射初始化宇宙群，保持群体的多样性，避免宇宙群随机初始化而无法覆盖整个宇宙；
(2)基于指数形式改进的KTDR可以使得MVO在迭代过程中有更快的收敛速度，基于精英反向学习机制改进宇宙，可以有效提高算法种群的质量，克服算法陷入局部最优。通过基准函数对比，IMVO较MVO具有更好的寻优能力、稳定性和鲁棒性；
(3)利用IMVO算法优化ELM模型的权值和阈值，避免ELM模型的权值和阈值因随机生成而影响预测精度。通过算例分析，IMVO-ELM模型的预测精度和稳定性等性能均优于其他模型。
附图说明
图1为本发明实施例中基于改进多元宇宙算法优化极限学习机的电力负荷预测方法的流程图；
图2为本发明实施例中Rastrigrin函数的三维图；
图3为本发明实施例中收敛曲线对比示意图；
图4为本发明实施例中连续4天预测结果对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
基于改进多元宇宙算法优化极限学习机的负荷预测方法，如图1所示，包括以下步骤：
S1、根据所设定的极限学习机(extreme learning machine，ELM)网络的参数，计算所需优化参数的数量，优化参数的目标为宇宙群；
所需优化参数的数量dim，计算公式如下：
dim＝w1num+hiddennum+w2num+outputnum
其中，inputnum、outputnum和hiddennum分别为极限学习机网络的输入层、输出层和隐含层的神经元的数量，w1num＝inputnum*hiddennum为输入层权值的数量，w2num＝outputnum*hiddennum为输出层权值的数量。
S2、初始化多元宇宙优化算法(Multi Verse Optimizer，MVO)的参数，包括宇宙数N和最大迭代次数T；
S3、在典型Tent映射的表达式中添加符合beta分布的随机数，采用改进的Tent混沌映射方法初始化宇宙种群，使多元宇宙优化算法得到好的初始解位置；
在典型Tent映射的表达式中添加符合beta分布的随机数，采用改进的Tent混沌映射方法初始化宇宙种群，具体如下：
Figure BDA0003493037960000061
其中，
Figure BDA0003493037960000062
为第i个宇宙的第j维分量添加参数，μ表示混沌系数，μ值越大，混沌性能越优，本实施例中，取μ为2；betarnd为MATLAB中的随机数生成器，用于生成符合beta分布的随机数，q和m为beta分布的均值和方差，q、m>0，δ为收缩因子，用于对初始Tent种群进行扰动，μ、δ、q和m的取值范围是0至10中间的任意数，本实施例中，δ、q和m分别取0.1、3和4；
然后对混沌序列进行逆映射，即可得到初始宇宙群个体的位置变量：
Figure BDA0003493037960000063
其中，
Figure BDA0003493037960000064
为第i个宇宙的第j维分量，也称宇宙位置，ucj和wcj分别为第j维分量的上、下界。
S4、计算/更新宇宙的膨胀率(适度值)，具体如下：
Figure BDA0003493037960000065
其中，NC(Ui)为第i个宇宙Ui的归一化膨胀率，tk为第k个负荷数据的真实值，tpk为极限学习机(extreme learning machine，ELM)网络的预测值，M为训练数据的数量，适度值越小即表示宇宙越优。
S5、根据轮盘机制，宇宙拥有的白洞或黑洞转移宇宙物体，更新宇宙群，具体如下：
Figure BDA0003493037960000066
其中，Ui为第i个宇宙，NC(Ui)为第i个宇宙Ui的归一化膨胀率，每个单独的宇宙的膨胀率不同；r1为[0,1]之间的随机值，
Figure BDA0003493037960000067
为轮盘赌选出的第k个宇宙的第j维分量。
S6、宇宙之间通过虫洞随机传送物质以保证宇宙群的多样性，同时都与最优宇宙交换物质以提高膨胀率，具体如下：
Figure BDA0003493037960000071
其中，
Figure BDA0003493037960000072
为第i个宇宙的第j维分量；Zj为当前最优宇宙的第j维分量为第一次循环；ucj和wcj分别为第j维分量的上、下界；r2、r3、r4均为[0，1]中的随机数；KTDR为旅行距离率，KWEP为虫洞存在率。
S7、采用指数形式改进传统多元宇宙优化算法的旅行距离率KTDR，更新虫洞存在率KWEP，具体如下：
KTDR＝a*exp(-(bt/T)c)；
Figure BDA0003493037960000073
其中：a、b和c分别是第一影响因子、第二影响因子和第三影响因子，本实施例中，经过多次测试，当a＝3、b＝4、c＝3时，效果最佳；KWEPmax和KWEPmin为参数KWEP的上下界，分别取1和0.2，t为当前迭代次数，T为最大迭代次数，p为多元宇宙优化算法的开发精度，p、KWEPmax和KWEPmin的取值范围均为[0,10]，取p＝6。
S8、采用精英反向学习的方法改进宇宙，以增加宇宙群的多样性和质量；
采用精英反向学习的方法改进宇宙，设每轮迭代更新后的宇宙都是精英个体，对于精英个体(宇宙)
Figure BDA0003493037960000074
和反向精英个体(宇宙)
Figure BDA0003493037960000075
Figure BDA0003493037960000076
具体如下：
Figure BDA0003493037960000077
其中，
Figure BDA0003493037960000078
为采用精英反向学习的方法改进后的第i个反向精英个体(宇宙)
Figure BDA0003493037960000079
在第j维的分量，
Figure BDA00034930379600000710
为[0,1]区间内的随机值，
Figure BDA00034930379600000711
ucj和wbj分别为动态边界的下界和上界，动态边界解决了固定边界难以保存搜索经验的问题，有利于减少算法的寻优时间；
如果反向精英个体(宇宙)
Figure BDA00034930379600000712
超过边界，利用随机生成的方式将其重置，重置方程如下：
Figure BDA0003493037960000081
计算精英个体(宇宙)和反向精英个体(宇宙)的膨胀率，保留膨胀率更优的前N个宇宙，将其作为新的宇宙种群参与下一次更新迭代。
S9、判断是否达到最大迭代次数或满足精度要求，如果达到最大迭代次数或满足精度要求则将优化的权值和阈值赋予极限学习机网络，否则返回步骤S4；
若极限学习机(extreme learning machine，ELM)网络的预测平均相对误差小于所设定的误差阈值则认为满足精度要求。
本实施例中，选取5个常用基准函数评估MVO算法改进前后的性能，5个基准函数均存在较多的局部极值点，例如Rastrigrin(f3)函数为多峰函数，峰形呈高低起伏，故难以查得全局最优，其三维图如图2所示。基准函数特征如表1所示。
表1 5种基准函数的特征
Figure BDA0003493037960000082
本实施例中，基准测试均采用相同MVO参数，如表2所示。
表2 MVO算法参数设置
Figure BDA0003493037960000083
采用最优值、平均值和标准方差三个指标可以分别反映算法寻优精度、稳定性和鲁棒性。本实施例中，对5个基准函数独立运行15次，以避免单次运行的偶然性。最优值、平均值和标准方差对比如表3所示。
表3不同基准函数测试结果对比
Figure BDA0003493037960000084
Figure BDA0003493037960000091
可知，在迭代500次后，对于复杂的基准函数，IMVO算法的寻优结果能够接近最优值，但迭代相同次数后MVO的寻优结果与真实最优值存在不同程度的偏差，且经过IMVO算法优化的平均值和标准差均小于MVO算法，所以IMVO算法具有更好的寻优能力、稳定性和鲁棒性。
为更直观的分析MVO算法和IMVO算法的寻优过程，以Rastrigrin(f3)函数为例，收敛曲线如图3所示。
可知，相比MVO算法，IMVO算法在初始位置具有更优的值，且收敛速度更快，能够节省网络训练的时间。
本实施例中，以欧洲某地区2018年1月1日至2018年12月31日的电力负荷数据为实例数据集，采样周期为60min，总共8760条负荷数据。以1月1日至12月17日的负荷数据为训练集，12月18日至12月31日的336条数据为测试集。将ELM、GA-ELM、PSO-ELM、OA-ELM和MVO-ELM五个方法与本发明所提方法IMVO-ELM进行对比。
为确保所得结果的有效性，对GA、PSO、AO、MVO和IMVO五种优化算法进行相同的参数设置为：迭代次数为100，种群规模为30，不同的参数设置为：GA算法的代沟为0.95、变量的二进制数位为10、交叉概率为0.7、变异概率为0.01，PSO算法的学习因子为1.5、惯性权重为0.8。ELM模型的预测步数为24。同时，为了避免单次运行结果出现偶然性，将6种模型独立运行10次，对最终结果取平均。不同模型的预测精度对比如表4所示。
表4实施例1：预测精度对比
Figure BDA0003493037960000092
Figure BDA0003493037960000101
由表4可知，本发明所提预测模型的确定性系数R2相比其他5种预测模型更接近1，说明拟合效果最佳；此外，本发明所提预测模型的平均绝对误差eMAE和平均绝对百分比误差eMAPE均比其他5种预测模型小，且eMAPE分别下降了4.26％、2.08％、1.75％、1.52％和1.56％，即本发明所提预测模型相比其他预测模型有更好的预测精度。
为了进一步分析预测模型在工作日和节假日的拟合效果，将12月20日(周四)至12月23日(周日)连续四天的负荷预测曲线对比图绘出，如图4所示。
由图4可知，传统ELM模型虽然能够拟合实际负荷的走势，但是在负荷骤变的情况下拟合效果不佳；GA-ELM、PSO-ELM、OA-ELM和MVO-ELM模型在负荷大波动的情况下能够取得较好的拟合效果，由局部放大图可知，在负荷连续波动的情况下表现出毫无规律的拟合状态，而本发明所提方法在负荷连续波动的情况下仍得到很好的拟合效果。
上述的实施例验证了本发明提出的基于改进多元宇宙算法优化极限学习机，拥有一定的可行性和有效性。
实施例2：
为进一步验证本发明的可行性，在其他参数相同的情况下，选取中国某地区2014年1月1日至2014年12月31日的实际电力负荷数据进行验证。精度对比如表5所示。
表5实施例2：预测精度对比
Figure BDA0003493037960000102
实施例3：
为进一步验证本发明的可行性，在其他参数相同的情况下，选取爱尔兰某地区2018年1月1日至2018年12月31日的实际电力负荷数据进行验证。精度对比如表6所示。
表6实施例3：预测精度对比
Figure BDA0003493037960000111
以上所述，仅为本发明优选的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。

Claims (10)

1.基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于，包括以下步骤：
S1、根据所设定的极限学习机(extreme learning machine，ELM)网络的参数，计算所需优化参数的数量，优化参数的目标为宇宙群；
S2、初始化多元宇宙优化算法(Multi Verse Optimizer，MVO)的参数；
S3、在典型Tent映射的表达式中添加符合beta分布的随机数，采用改进的Tent混沌映射方法初始化宇宙种群，使多元宇宙优化算法得到好的初始解位置；
S4、计算/更新宇宙的膨胀率(适度值)；
S5、根据轮盘机制，宇宙拥有的白洞或黑洞转移宇宙物体，更新宇宙群；
S6、通过虫洞随机传送物质；
S7、采用指数形式改进传统多元宇宙优化算法的旅行距离率KTDR，更新虫洞存在率KWEP；
S8、采用精英反向学习的方法改进宇宙，以增加宇宙群的多样性和质量；
S9、判断是否达到最大迭代次数或满足精度要求，如果达到最大迭代次数或满足精度要求则将优化的权值和阈值赋予极限学习机网络，否则返回步骤S4。
2.根据权利要求1基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S1中，所需优化参数的数量dim，计算公式如下：
dim＝w1num+hiddennum+w2num+outputnum
其中，inputnum、outputnum和hiddennum分别为极限学习机网络的输入层、输出层和隐含层的神经元的数量，w1num＝inputnum*hiddennum为输入层权值的数量，w2num＝outputnum*hiddennum为输出层权值的数量。
3.根据权利要求1基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S2中，多元宇宙优化算法(Multi Verse Optimizer，MVO)的参数包括宇宙数N和最大迭代次数T。
4.根据权利要求1基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S3中，在典型Tent映射的表达式中添加符合beta分布的随机数，采用改进的Tent混沌映射方法初始化宇宙种群，具体如下：
Figure FDA0003493037950000011
其中，
Figure FDA0003493037950000012
为第i个宇宙的第j维分量添加参数，μ表示混沌系数，μ值越大，混沌性能越优；betarnd为MATLAB中的随机数生成器，用于生成符合beta分布的随机数，q和m为beta分布的均值和方差，q、m>0，δ为收缩因子，用于对初始Tent种群进行扰动，μ、δ、q和m的取值范围是0至10中间的任意数；
然后对混沌序列进行逆映射，即可得到初始宇宙群个体的位置变量：
Figure FDA0003493037950000021
其中，
Figure FDA0003493037950000022
为第i个宇宙的第j维分量，也称宇宙位置，ucj和wcj分别为第j维分量的上、下界。
5.根据权利要求4基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S4中，计算/更新宇宙的膨胀率(适度值)，具体如下：
Figure FDA0003493037950000023
其中，NC(Ui)为第i个宇宙Ui的归一化膨胀率，tk为第k个负荷数据的真实值，tpk为极限学习机(extreme learning machine，ELM)网络的预测值，M为训练数据的数量，适度值越小即表示宇宙越优。
6.根据权利要求5基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S5中，根据轮盘机制，宇宙拥有的白洞或黑洞转移宇宙物体，更新宇宙群，具体如下：
Figure FDA0003493037950000024
其中，Ui为第i个宇宙，NC(Ui)为第i个宇宙Ui的归一化膨胀率，每个单独的宇宙的膨胀率不同；r1为[0,1]之间的随机值，
Figure FDA0003493037950000025
为轮盘赌选出的第k个宇宙的第j维分量。
7.根据权利要求6基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S6中，宇宙之间通过虫洞随机传送物质以保证宇宙群的多样性，同时都与最优宇宙交换物质以提高膨胀率，具体如下：
Figure FDA0003493037950000026
其中，
Figure FDA0003493037950000027
为第i个宇宙的第j维分量；Zj为当前最优宇宙的第j维分量为第一次循环；ucj和wcj分别为第j维分量的上、下界；r2、r3、r4均为[0，1]中的随机数；KTDR为旅行距离率，KWEP为虫洞存在率。
8.根据权利要求7基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S7中，采用指数形式改进传多元宇宙优化算法的旅行距离率KTDR，更新虫洞存在率KWEP，具体如下：
KTDR＝a*exp(-(bt/T)c)；
Figure FDA0003493037950000031
其中：a、b和c分别是第一影响因子、第二影响因子和第三影响因子；KWEPmax和KWEPmin为参数KWEP的上下界，t为当前迭代次数，T为最大迭代次数，p为多元宇宙优化算法的开发精度，p、KWEPmax和KWEPmin的取值范围均为[0,10]。
9.根据权利要求1基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S8中，采用精英反向学习的方法改进宇宙，设每轮迭代更新后的宇宙都是精英个体，对于精英个体(宇宙)
Figure FDA0003493037950000032
和反向精英个体(宇宙)
Figure FDA0003493037950000033
具体如下：
Figure FDA0003493037950000034
其中，
Figure FDA0003493037950000035
为采用精英反向学习的方法改进后的第i个反向精英个体(宇宙)
Figure FDA0003493037950000036
在第j维的分量，
Figure FDA0003493037950000037
为[0,1]区间内的随机值，
Figure FDA0003493037950000038
ucj和wbj分别为动态边界的下界和上界，动态边界解决了固定边界难以保存搜索经验的问题，有利于减少算法的寻优时间；
如果反向精英个体(宇宙)
Figure FDA0003493037950000039
超过边界，利用随机生成的方式将其重置，重置方程如下：
Figure FDA00034930379500000310
计算精英个体(宇宙)和反向精英个体(宇宙)的膨胀率，保留膨胀率更优的前N个宇宙，将其作为新的宇宙种群参与下一次更新迭代。
10.根据权利要求1～9任一项基于改进多元宇宙算法优化极限学习机的负荷预测方法，其特征在于：步骤S9中，若极限学习机(extreme learning machine，ELM)网络的预测平均相对误差小于所设定的误差阈值则认为满足精度要求。
CN202210103424.5A 2022-01-27 2022-01-27 基于改进多元宇宙算法优化极限学习机的负荷预测方法 Pending CN114626573A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210103424.5A CN114626573A (zh) 2022-01-27 2022-01-27 基于改进多元宇宙算法优化极限学习机的负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210103424.5A CN114626573A (zh) 2022-01-27 2022-01-27 基于改进多元宇宙算法优化极限学习机的负荷预测方法

Publications (1)

Publication Number Publication Date
CN114626573A true CN114626573A (zh) 2022-06-14

Family

ID=81897872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210103424.5A Pending CN114626573A (zh) 2022-01-27 2022-01-27 基于改进多元宇宙算法优化极限学习机的负荷预测方法

Country Status (1)

Country Link
CN (1) CN114626573A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912723A (zh) * 2022-07-18 2022-08-16 南京信息工程大学 一种基于hht-bmvo-bp的短期风速预测方法
CN116111984A (zh) * 2022-12-06 2023-05-12 中国电子科技集团公司信息科学研究院 滤波器的设计优化方法及装置、滤波器、设备、介质
CN117439190A (zh) * 2023-10-26 2024-01-23 华中科技大学 一种水火风系统调度方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738362A (zh) * 2019-09-30 2020-01-31 温州大学 一种基于改进的多元宇宙算法构建预测模型的方法
CN111079290A (zh) * 2019-12-17 2020-04-28 中国人民解放军海军航空大学 一种基于改进多元宇宙算法的发动机模型修正方法
CN113539386A (zh) * 2021-06-30 2021-10-22 淮阴工学院 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738362A (zh) * 2019-09-30 2020-01-31 温州大学 一种基于改进的多元宇宙算法构建预测模型的方法
CN111079290A (zh) * 2019-12-17 2020-04-28 中国人民解放军海军航空大学 一种基于改进多元宇宙算法的发动机模型修正方法
CN113539386A (zh) * 2021-06-30 2021-10-22 淮阴工学院 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马骏;江锐;丁倩;江涛;张倩;: "基于多元宇宙优化支持向量机的短期光伏发电功率预测", 热力发电, no. 04, 30 April 2020 (2020-04-30), pages 91 - 96 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912723A (zh) * 2022-07-18 2022-08-16 南京信息工程大学 一种基于hht-bmvo-bp的短期风速预测方法
CN114912723B (zh) * 2022-07-18 2022-10-04 南京信息工程大学 一种基于hht-bmvo-bp的短期风速预测方法
CN116111984A (zh) * 2022-12-06 2023-05-12 中国电子科技集团公司信息科学研究院 滤波器的设计优化方法及装置、滤波器、设备、介质
CN117439190A (zh) * 2023-10-26 2024-01-23 华中科技大学 一种水火风系统调度方法、装置、设备及存储介质
CN117439190B (zh) * 2023-10-26 2024-06-11 华中科技大学 一种水火风系统调度方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114626573A (zh) 基于改进多元宇宙算法优化极限学习机的负荷预测方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN112733462B (zh) 一种结合气象因素的超短期风电场功率预测方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN110929948A (zh) 基于深度强化学习的完全分布式智能电网经济调度方法
CN107147152A (zh) 新能源配电网多类型有功无功源协同优化配置方法及系统
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
CN105787592A (zh) 基于改进rbf网络的风电机组超短期风功率预测方法
CN113255138B (zh) 一种电力系统负荷分配优化方法
CN113313235B (zh) 一种基于改进的lstm的空气质量预测模型装置及方法
CN111144663A (zh) 计及出力波动过程的海上风电场超短期风功率预测方法
CN115275991A (zh) 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法
CN110460038A (zh) 一种涉及新能源并网的多场景输电网扩展规划方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN112508279A (zh) 基于空间相关性的区域分布式光伏预测方法及系统
CN115409645A (zh) 一种基于改进深度强化学习的综合能源系统能量管理方法
CN116522795A (zh) 基于数字孪生模型的综合能源系统仿真方法及系统
CN115907339A (zh) 一种基于gmm的配电网光伏与电动汽车充电站协同规划方法
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN109145503A (zh) 一种光伏电站集群的高精度动态建模方法
CN117291390A (zh) 一种基于SumTree-TD3算法的调度决策模型建立方法
CN107276093A (zh) 基于场景削减的电力系统概率潮流计算方法
Sun et al. Short-term photovoltaic power prediction modeling based on AdaBoost algorithm and Elman
CN116865248A (zh) 一种超短期风电功率预测方法及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination