基于支持向量机的纯电动公交车充_换电站日负荷预测.docx

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 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 ε，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 ε 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： 文献标识码： TM 715；U 469.72 A DOI： 10.3969 ／ j.issn.1006－6047.2014.11.007 引言 随着环境、能源问题的日益突出，电动汽车 EV （Electric Vehicle） 受到了各国政府的重视 ， 电 动 汽 车的大规模使用可以大量减少温室气体的排放，促 进能源结构的调整［1-2］。 文献［3-4］讨论了大量电动汽 车负荷的接入对电网产生的影响，如大量电动汽车 在负荷高峰期间充电，将加剧电网负荷的峰谷差从 而增加调峰的难度，在配电网中会造成局部过负荷 从而加重配电网的负担等，将对电网的安全、调度和 经济运行产生不利影响。 所以需要较精确的电动汽 车负荷预测作为依据，进行电动汽车的有序充电控 制，参与电力系统的调峰甚至调频。 根据使用能源和动力驱动系统的不同，电动汽 车可以分为纯电动汽车 PEV（Pure Electric Vehicles）、 插 电 式 混 合 动 力 汽 车 PHEV（Plug-in Hybrid Elec- tric Vehicles）及燃料电池电动汽车。 其中，纯电动汽 车完全靠电能驱动；由于受电池容量限制，尚未大规 模普及，但已成为中国电动汽车产业发展的重点，且 通过科研和试点取得了一定的成绩。 目前，在国内已 有一些一定规模的纯电动公交车和出租车的试点。 北京在奥运会后逐步增加了电动公交汽车的数量， 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。 文献［6］采用蒙特卡洛的方法预测电动汽车充电负 0 荷的时空分布特性。 本文为预测充电站的日充电负 荷曲线，借鉴了电力系统日负荷预测的方法。 目前， 电力系统日负荷预测方法主要分为 种 基于历史负 2 ： 荷数据的传统经典方法和基于历史负荷数据及其影 响因素的机器学习方法。 为了在预测模型中能更好 地结合各种因素影响，提高预测精度，基于人工智能 技术的神经网络预测模型和模糊预测模型得到了广 泛的应用［7-9］。 神经网络等机器学习方法是基于最小 化经验风险的机器学习方法，但是在实际应用中，样 本的数量总是有限的，此时经验风险最小并不意味 着期望风险最小，如神经网络的“过学习”问题，在某 些情况下，训练误差过小会导致推广能力的下降，即 泛化能力变差。 由 Vapnik 等人提出的基于结构风险 最小化原理（SRM）的支持向量机 SVM（Support Vec- tor Machine）算法，以有限的样本信息在模型的复杂 性和学习能力之间寻求最佳折中，以获得最佳的泛 化能力。 由于 SVM 的参数对其性能影响很大，所以 SVM 用于预测的研究主要集中于预测模型参数的选择， 目前确定参数的方法主要有 2 种，一种是经验或实 验法选取［10-12］，另一种是使用遗传算法（GA）［13 -14］、粒 子群优化 （PSO） 算法［15］、 微分进化 ［16］ 等优化算法确 定。 文献［10］的参数分析表明核参数 p 和正则化参 数 C 对 SVM 的性能影响较大，当 p 和 C 固定于某一 合适值时，SVM 性能对不敏感损失参数 ε 不敏感。 本文采用两阶 段确定参数的方法：第一阶段对参数 ε 取定值；第二阶段采用 GA 对 p 和 C 寻优。