基于KPCA和NSGAⅡ优化CNN参数的电动汽车充电站短期负荷预测

为提升电动汽车充电站短期负荷预测的效率和精度,提出了基于核主成分分析(kernel principal component analysis,KPCA)和非劣排序遗传算法II(non-dominated sorting genetic algorithm II,NSGAII)优化卷积神经网络(convolutional neural network,CNN)的充电站短期负荷预测方法。应用KPCA对模型输入变量进行降噪处理,简化了网络结构,加快了预测速度;通过多次负荷预测测试比较误差的方式确定卷积神经网络模型中卷积层和子采样层的最佳神经元个数,保证了预测方法的准确性;利用NSGAII对卷积神经网络的参数进行优化,提高了预测方法的运算速度和预测精度。通过算例分析以及和其他方法的对比,验证了文中方法具有较高的效率和精度。