基于改进多元宇宙算法优化ELM的短期电力负荷预测

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。

电力市场改革中大用户直购电交易探析

社会的进步带动了电力市场的改革,为电力传输提供了保障。为了促进电力系统的稳定,需要完善电网结构。目前,大用户直购电交易成为了电力市场的主要供电形式,电力市场的改革直接影响大用户直购电交易效果,因此,对电力市场改革中大用户直购电交易进行探究是十分必要的。主要对电力市场的改革现状进行分析,对大用户直购电交易意义、要求、目的进行分析,进一步阐明它的发展趋势。