- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于支持向量机的纯电动公交车充_换电站日负荷预测
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。
文档评论(0)