基于出行链的电动汽车充电负荷预测

由于用户出行目的的多样性和充电方式的不确定性,电动汽车的充电负荷在时间和空间的分布具有较大的随机性.基于出行链理论,建立充电负荷模型,对充电负荷的时空分布进行预测.     

基于多源信息的电动汽车充电负荷预测

电动汽车（EV）不仅节能环保,还能够有效缓解传统能源供应紧张的问题并保护环境,因而如今已经成为汽车产业发展的主流。当电动汽车大规模接入电网充电时,将对电网产生重要影响,故需对电动汽车的充电负荷进行准确预测。鉴于此,拟利用Dijkstra算法规划用户出行时空规律并计算电动汽车荷电状态和行程行驶时间,再依据电动汽车到达目的地的充电需求,通过运算得到电动汽车的充电时间及负荷功率,最后利用蒙特卡洛算法结合并行运算方式对结果进行仿真,以预测充电负荷。     

基于时空特性的电动汽车负荷预测方法研究

电动汽车负荷预测是电网调度研究、充电站规划的基础。现提出考虑时空特性的电动汽车负荷预测方法,通过NHTS 2017数据建立起汽车交通行为模型,在此基础上通过蒙特卡洛模拟得到负荷预测结果;计算并分析了不同功能区在工作日和休息日的充电负荷,结果表明:充电负荷与用户行为有很大关系,可以根据不同区域、不同日期进行服务优化和充电选择。     

基于数据挖掘的冷藏陈列柜的负荷预测研究

为了挖掘冷藏陈列柜运行数据的有效信息,实现冷藏陈列柜制冷负荷的预测,针对运行数据存在时间序列性和非线性等特性,提出了基于深度学习的LSTM神经网络模型.将日期信息、蒸发器进出口温度、压力、焓值、流量数据按照时间步长划分为训练集与测试集,模型导入后经过训练证明最优方案:模型网络层数为4、训练次数为200,将预测负荷数据与...     

基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

基于遗传神经网络的电动汽车锂电池SOC预测

针对传统方法在电动汽车锂电池荷电状态（State of Charge,SOC）预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法.该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性.研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题.     

电动汽车动力电池充电能量的预测方法

提出了一种基于机器学习中Stacking模型的电池充电能量预测方法,该方法通过对充电数据进行数据探索、特征工程和模型筛选,选取RMSE作为预测结果的评价指标,最后采用Stacking模型对充电能量作出预测。为了验证Stacking模型的预测结果,将Stacking模型与采用单个算法模型的预测结果进行对比,以确保方案的可行性。其结果表明,采用该模型进行预测时,其预测结果的RMSE分值为0.104 1,实现了比单个算法模型更好的预测效果。     

改进型神经网络的热负荷预测

在城市集中供暖方面,热电厂的短期热负荷预测对提高热电厂的经济效益和热能利用率十分重要。该文以山西某热电厂的供热系统的换热站作为研究对象,使用遗传算法和粒子群算法改进BP神经网络,基于热负荷相关的历史数据构建改进型神经网络的热负荷预测系统。仿真结果显示,BP神经网络预测系统的波动程度比较大,预测精度低,而改进型的神经网络算法克服了这些缺点,在历史样本数据较少的情况下,仍然保持很高的预测精度,改进后的预测系统精度较高、稳定性较强,满足工业生产需求。     

电动汽车充电负荷预测的研究

电动汽车的负荷预测对电力系统的调度和电网安全稳定运行具有重要意义。现采用蒙特卡洛法根据汽车保有量建立了电动汽车充电负荷的预测方法,并根据用户行为习惯采用电动汽车充电起始时间概率分布和行驶里程的密度函数对电动汽车充电负荷进行仿真,结果表明,随着电动汽车规模的增加,电动汽车负荷给电网负荷带来了不可忽视的影响,采取相应措施对电动汽车充电负荷进行有效引导应成为未来的研究重点。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

神经网络自适应模糊控制在电力负荷预测中的应用

为了能够及时准确地进行电力系统短负荷的预测,采用了将神经网络和自适应模糊控制相结合的预测方法。首先通过神经网络进行负荷预测,然后将自适应模糊控制用于预测结果在线修正中。通过实验,证明了该方法的可行性。     

基于改进LSTM的滚动轴承性能退化趋势预测

针对传统LSTM方法不能合理利用在线数据的问题,提出了参数实时更新的改进LSTM方法并建立了有效的退化趋势预测模型.首先,依据获取的历史资料离线生成LSTM预测模型;然后,在采集在线观测数据时用已有模型前向计算方式得到预测值;最后,将新增的观测数据做为前一个采样阶段时刻的真实值,将预测值与真实值之间的偏差累积到一个整体...     

基于GM-LSTM融合模型的电动汽车使用寿命预测方法

本文基于某地2020年3月-2022年3月区间内的某平台运营车辆的真实数据,首先对数据进行预处理,提取出可用数据;然后对电池容量和电池内阻特征模型进行修正;再使用ARIMA模型,进行电池特征趋势预测;进而搭建出GM-LSTM融合模型,最后与当前应用较多的其他五种预测方式进行对比研究,得出本文方法能够有效提升电池使用寿命的预测精度的结论。     

电动汽车智能有序充电模式

为了推进电动汽车的发展,通过对消费者充电行为的分析和电网负荷的预测,以减小电网峰谷差和充电费用为目标,采用分时计价模式并用智能优化算法,建立智能自动充电抉择行为的数学模型,实现了在规定时间内自动选择充电起始和结束时间。仿真结果表明,智能有序充电不仅能够有效地减小电动汽车充电给电网带来的峰谷差值,还能为车主减少费用。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以...     

基于功能小区方法的电力系统负荷预测

电力系统负荷预测是电网规划的基本工作。介绍了回归预测模型、灰色系统理论预测模型、空间负荷预测法、曲线法、最优组合预测法等中长期电力负荷预测的方法,讨论了功能小区的划分及功能小区的功能分析,通过对功能小区负荷预测的实际计算,结果充分证明了功能小区负荷预测与湖南省衡阳市城区发展的实际情况相符合。说明了基于功能小区方法的电力系统负荷预测具有重要的现实意义和广泛的应用前景。     

基于MDS-GA-SVR的电动汽车减速器性能退化预测方法研究

针对电动汽车减速器性能退化预测方法难以充分挖掘退化信息,导致预测精度低的问题,提出了一种联合多维尺度（Multiple Dimensional Scale,MDS）变换和遗传算法优化支持向量回归（Genetic Algorithm opitimized Support Vector Regression,GA-SVR）进行性能退化预测建模方法。通过时域、频域、时频域特征提取方法对减速器的振动信号进行处理,利用MDS算法建立了综合退化特征指标;以信号特征指标与综合性能退化指标作为训练与预测数据集,利用遗传算法确定最优惩罚参数C和核参数g并构建SVR模型;通过试验获得了减速器的寿命数据,并利用所提方法建立了高精度的性能退化模型。结果表明,本文所提模型的预测精度均高于PSO-SVR、GS-SVR以及反向传播（Back Propagation,BP）神经网络预测模型,均方根误差值分别降低了50.63%、75.35%、84.73%,确定系数R2分别提高了3.93%、6.51%、9.51%,证明了所提方法的优越性。     

基于粒子群优化LSTM模型的管道应力预测方法

为了解决传统BP神经网络预测精度不高的问题,提出了一种基于粒子群优化(PSO)长短期记忆网络(LSTM)模型的管道应力趋势预测方法.在分析管道应力监测数据的基础上,利用LSTM模型对未来的应力发展趋势进行预测,进一步采用粒子群算法优化LSTM模型参数来提高预测精度,并基于均方根误差验证了PSO-LSTM模型的有效性,可...