基于组合预测模型的电动汽车充电站短期负荷预测研究

针对电动汽车充电站充电功率随机性大的难题,本文建立了ELMAN反馈式神经网络预测模型,然后采用粒子群算法对其进行优化,接着将优化之后的模型与模糊控制相结合,最终建立3种模型相结合的组合预测模型,并以青岛地区某一充电站的实际负荷数据为算例,验证了组合预测模型的有效性,提高了电动汽车充电站短期负荷预测的精度。     

电动汽车充电站负荷预测系统的设计与开发∗

为了充分利用郑州南五里堡电动汽车充电站容量,开发了电动汽车充电站负荷预测可视化系统.首先建立 了基于小波神经网络算法的电动汽车充电负荷预测模型;然后利用Excel软件建立了数据系统,用以访问和储存系统 数据,实现负荷预测功能以及历史数据查询功能;最后利用MATLABAppDesigner设计用户界面,对郑州南五里堡 电动汽车充电站的负荷预测系统进行了功能测试,测试结果表明该算法具有较高的预测精度,验证了充电负荷预测模 型的正确性.     

电动汽车充电站智能规划

提出一种基于Pareto蚁群算法的电动汽车充电站智能规划方法:首先,综合各种因素建立多目标充电站规划的数学模型;然后利用Pareto蚁群算法建立相应的电动汽车充电站的选址规划模型;最后,构建基于反向传播神经网络的充电站负荷预测模型,依据负荷预测数据利用Pareto蚁群算法扩展电动汽车充电站。以某高速路网为例,对19个候选站点进行规划,验证了该方法的正确性。     

基于节点-支路信息的电动汽车充电站负荷预测

针对传统负荷预测模型的不足,提出一种基于时间空间的城市地区电动汽车快速充电站负荷预测模型。首先分析充电站负荷预测所需的数据及其主要来源;其次,针对电动汽车大量的、多样性的历史数据来分析电动汽车用户的充电习惯,预测每辆电动汽车的充电地点、充电起始时间及持续时间,准确获取单辆电动汽车的充电负荷模型;然后采用节点-支路负荷预测方式获取与充电站相关的路网节点和交通线路上所有电动汽车负荷,估算该充电站总的充电负荷;最后,对某规划区域内电动汽车的充电负荷进行实例仿真,并验证了方法的有效性和实用性。     

基于ISSA-CNN-GRU模型的电动汽车充电负荷预测方法

电动汽车用户充电行为的随机性,给电动汽车充电站充电负荷的短期预测带来极大挑战。针对在多因素影响下电动汽车充电站充电负荷短期预测精度低的问题,提出一种基于改进麻雀搜索算法-卷积神经网络-门控循环神经网络(improved sparrow search algorithm-convolutional neural network-gated recurrent unit neural network, ISSA- CNN-GRU)模型的电动汽车充电站充电负荷短期预测方法。首先,构建包含气温、日期类型、节假日3种充电负荷显著影响因素与历史充电负荷的输入特征矩阵。然后,融合CNN在特征提取、数据降维和GRU神经网络在时间序列预测上的优势,搭建CNN-GRU混合神经网络模型,使用基于混合策略的ISSA算法优化混合神经网络模型的超参数。最后,在优化后的CNN-GRU模型中输入特征矩阵实现充电站充电负荷的短期预测。以美国ANN-DATA公开数据集中充电站的历史负荷数据作为实际算例,与随机森林、CNN、GRU神经网络、CNN-GRU模型以及分别用贝叶斯优化、粒子群优化、标准麻雀优化算法进行超参数调优的CNN-GRU模型相比,实验结果表明所提方法具有更好的预测效果。     

基于脉冲神经网络的短期负荷预测模型

针对电力负荷的非线性时间序列预测问题,本文构造了一种基于脉冲神经网络的短期负荷预测模型。该模型基于改进的脉冲神经元模型构建了多层脉冲神经网络,并通过脉冲时刻误差反传算法进行学习。模型借鉴了生物大脑基于脉冲放电的处理时空信息机制,将时间序列信息编码成脉冲序列,利用脉冲神经网络挖掘和处理多时间尺度时空放电模式的能力进行连续的负荷预测,最后通过解码神经元膜电压输出负荷估计值。为验证预测模型的有效性,本文基于某地区的实际电网负荷数据进行了预测实验,结果表明脉冲神经网络模型相对其他模型具有更高的准确性和稳定性。该研究为电力负荷预测的发展提供了一种新的可能途径。     

大数据背景下的充电站负荷预测方法

电动汽车负荷预测是充电站规划及调度的研究基础。相比传统的负荷预测,大数据背景下的负荷预测具有待预测数据可快速观测的特点,此时负荷预测方法需要相应调整。首先分析了充电站负荷预测所需数据及主要数据来源。其次,针对单辆电动汽车,基于大量、快速更新、多种类的数据分析电动汽车的充电习惯,预测每一辆电动汽车的充电开始时间、持续时间和充电地点,获取单辆电动汽车的负荷模型。该模型综合考虑电池状态、出行时间、行驶路径与速度、充电偏好等信息。然后,面向任意充电站,对与其相关的路网节点与交通线路上的所有电动汽车负荷求和,估算该充电站的总充电功率。最后,进行实例仿真,并与传统方法下的充电负荷预测结果进行了对比。     

计及车-路-站-网融合的电动汽车充电负荷时空分布预测

针对目前对车-路-站-网相互影响考虑不足,导致电动汽车充电负荷时空分布预测不准确的问题,提出了基于万有引力模型的电动汽车充电负荷时空分布预测模型。首先,计及路网交通流和环境温度,分析外部环境与电动汽车能耗之间的关系。其次,考虑了温度、湿度、辐射等外部环境因素对用户出行的影响,建立基于出行意愿修正的出行链模型。最后,计及多方信息融合,建立基于万有引力模型的电动汽车充电站选择模型。算例结果表明,所提出的模型能够计及电动汽车、路网、充电站和电网的相互影响,并准确计算电动汽车充电负荷的时空分布,分析多场景、多区域下的电动汽车充电需求负荷特性。     

快换式公交充电站短期负荷预测方法的研究

为了应对电动汽车规模化发展之后庞大的充电站负荷对电力调度配送等环节带来的影响,依据当前北京奥运快换式公交充电站的相关实测数据,对快换式公交充电站负荷特征及其影响因素进行分析,提出一种基于模糊聚类分析与BP神经网络相结合的快换站短期负荷预测方法。利用该方法对四组不同的测试日进行预测实例分析,并与单一BP网络模型的预测效果进行比较。统计结果表明,基于模糊聚类分析与BP神经网络相结合的预测方法具有较高的预测精度,满足一定的应用要求,适用于快换式公交充电站短期负荷预测工作。     

基于效用最大化原则的电动汽车充电站负荷特性分析方法

随着电动汽车规模化的发展,其充电负荷的时空预测为充电站配网建设和和充电设施规划建设提供了数据支撑。因此,文中基于效用最大化原则提出了一种的电动汽车充电站负荷预测方法,首先基于出行链建立电动汽车的时空分布模型,然后基于效用最大化原则和时间成本法分析了电动汽车用户充电消费选择,最后运用蒙特卡罗方法对充电站负荷进行仿真预测。与相关文献仿真对比,验证了所提方法的有效性和正确性,并分析了不同渗透率下和不同充电站位置下电动汽车充电站的充电负荷特性。结果表明,随着电动汽车渗透率提高,其充电行为的集中化增大了系统峰谷差;合理布局电动汽车充电站位置,可以使各充电站充电负荷更加均匀。