基于支持向量机的纯电动公交车充换电站日负荷预测.pdfVIP

第34卷第11期 电力自动化设备 V01．34No．11 2014年11月 ElectricPowerAutomation N。v．2014 Equipment 0 基于支持向量机的纯电动公交车充／换电站日负荷预测 刘文霞，徐晓波，周 樨 (华北电力大学电气与电子工程学院．北京102206) 摘要：讨论了基于相似日选取的支持向量机电动汽车日负荷预测方法。通过对北京现有纯电动公交车充／ 换电站充电负荷的大量调研，分析了公交车充电站充电负荷的数据特征．采用关联分析方法提取了影响电 动公交站充电负荷的因素，基于相关因素应用灰色关联理论构建相似日的小样本集合．而后建立多输入单 输出的支持向量机预测模型。针对支持向量机预测模型．提出了两阶段确定模型参数的方法．首先直接确 定不敏感损失参数s．再通过遗传算法寻找最优核参数P和正则化参数C。以提高参数占选取范围设置较 大时的预测精度。实例测试结果表明，日负荷预测的均方根误差为10．85％。能基本满足有序控制的要求； 与其他预测方法相比．改进方法具有较高的预测精度和稳定性。 关键词：电动汽车；负荷预测；支持向量机；参数选择；充电；关联理论：相似日 中图分类号：TM 469．72 715：U 文献标识码：A 0引言 预测研究的文献不多[5-6]。文献『5]提出了模糊聚类和 BP神经网络相结合的方法预测换电站的短期负荷。 随着环境、能源问题的日益突出．电动汽车EV 文献『6]采用蒙特卡洛的方法预测电动汽车充电负 (ElectricVehicle)受到了各国政府的重视．电动汽 荷的时空分布特性。本文为预测充电站的日充电负 车的大规模使用可以大量减少温室气体的排放．促 荷曲线。借鉴了电力系统13负荷预测的方法。目前， 进能源结构的调整[1-2：。文献『3—4]讨论了大量电动汽 电力系统日负荷预测方法主要分为2种：基于历史负 车负荷的接入对电网产生的影响．如大量电动汽车 荷数据的传统经典方法和基于历史负荷数据及其影 在负荷高峰期间充电．将加剧电网负荷的峰谷差从 响因素的机器学习方法。为了在预测模型中能更好 而增加调峰的难度．在配电网中会造成局部过负荷 地结合各种因素影响．提高预测精度。基于人工智能 从而加重配电网的负担等，将对电网的安全、调度和 技术的神经网络预测模型和模糊预测模型得到了广 经济运行产生不利影响。所以需要较精确的电动汽 泛的应用[7-9]。神经网络等机器学习方法是基于最小 车负荷预测作为依据．进行电动汽车的有序充电控 化经验风险的机器学习方法．但是在实际应用中，样 制．参与电力系统的调峰甚至调频。 本的数量总是有限的．此时经验风险最小并不意味 根据使用能源和动力驱动系统的不同．电动汽 着期望风险最小．如神经网络的“过学习”问题，在某 Electric 车可以分为纯电动汽车PEV(PureVehicles)、 些情况下．训练误差过小会导致推广能力的下降，即 Elec— 插电式混合动力