留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于SAE-ELM的电动汽车充电站负荷预测模型

龚钢军 安晓楠 陈志敏 张帅 文亚凤 吴秋新 苏畅

龚钢军, 安晓楠, 陈志敏, 等. 基于SAE-ELM的电动汽车充电站负荷预测模型[J]. 现代电力, 2019, 36(6): 9-15.
引用本文: 龚钢军, 安晓楠, 陈志敏, 等. 基于SAE-ELM的电动汽车充电站负荷预测模型[J]. 现代电力, 2019, 36(6): 9-15.
GONG Gangjun, AN Xiaonan, CHEN Zhimin, etc. Model of Load Forecasting of Electric Vehicle Charging Station Based on SAE-ELM[J]. Modern Electric Power, 2019, 36(6): 9-15.
Citation: GONG Gangjun, AN Xiaonan, CHEN Zhimin, etc. Model of Load Forecasting of Electric Vehicle Charging Station Based on SAE-ELM[J]. Modern Electric Power, 2019, 36(6): 9-15.

基于SAE-ELM的电动汽车充电站负荷预测模型

基金项目: 国家863计划课题(2015AA050203)
详细信息
    作者简介:

    龚钢军(1974—),男,博士,副教授,研究方向为人工智能、能源电力信息安全、主动配电网,E-mail:gong@ncepu.edu.cn;安晓楠(1993—),女,硕士研究生,研究方向为电力负荷预测、电力系统通信与安全,E-mail:13120425789@163.com。

  • 中图分类号: TM715

Model of Load Forecasting of Electric Vehicle Charging Station Based on SAE-ELM

  • 摘要: 电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAE-ELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAE-ELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。
  • [1] 胡泽春,宋永华,徐智威,等. 电动汽车接入电网的影响与利用[J]. 中国电机工程学报, 2012, 32(4):110.
    HU Zechun,SONG Yonghua,XU Zhiwei,et al. Impacts and utilization of electric vehicles integration into power systems[J]. Proceedings of the CSEE,2012,32(4):110.
    [2] FATHABADI H. Novel wind powered electric vehicle charg- ing station with vehicle-to-grid (V2G) connection capa- bility[J]. Energy Conversion & Management,2017, 136:229239.
    [3] HUANG Xiaoqing,CHEN Jie,CHEN Yongxin,et al. Load forecasting method for electric vehicle charging station based on big data[J]. Automation of Electric Power Systems,2016,40(12):6874.
    [4] 杨波,陈卫,文明浩,等. 电动汽车充电站的概率负荷建模[J]. 电力系统自动化,2014,38(16):6773.
    YANG Bo,CHEN Wei,WENG Minghao,et al. Probabilistic load modeling of electric vehicle charging stations[J]. Automation of Electric Power Systems,2014, 38(16):6773.
    [5] 张维戈,颉飞翔,黄梅,等. 快换式公交充电站短期负荷预测方法的研究[J]. 电力系统保护与控制, 2013(4):6166.
    ZHANG Weige,YAN Feixiang,HUANG Mei,et al. Research on short-term load forecasting methods of electric buses charging station[J]. Power System Protec- tion and Control, 2013(4):61 66.
    [6] 王哲,代兵琪,李相栋. 基于PSO-SNN的电动汽车充电站短期负荷预测模型研究[J]. 电气技术,2016, 17(1):4650.
    WANG Zhe,DAI Bingqi,LI Xiangdong. Research on Short-term load forecasting model of electric vehicle charging station based on PSO-SNN[J]. Electrical Tech- nology,2016,17(1):4650.
    [7] 常德政,任杰,赵建伟,等. 基于RBF-NN的电动汽车充电站短期负荷预测研究[J]. 青岛大学学报(工程技术版),2014,29(4):4448.
    CHANG Dezheng,REN Jie,ZHAO Jianwei,et al. Research of short-term load forecasting model for electri -cal vehicle charging stations based on RBF-NN[J]. Journal of Qingdao University(Engineering Technology Edition),2014,29(4):4448.
    [8] 黄小庆,陈颉,陈永新,等. 大数据背景下的充电站负荷预测方法[J]. 电力系统自动化,2016, 40(12):6874.
    HUANG Xiaoqing, CHEN Hao, CHEN Yongxin, et al.Load forecasting method for electric vehicle charging station based on big data[J]. Automation of Electric Power Systems,2016,40(12):6874.
    [9] LIU F,XU F,YANG S . A flood forecasting model bas -ed on deep learning algorithm via integrating stacked autoencoders with BP neural network[C]// 2017 IEEE Third International Conference on Multimedia Big Data (BigMM). IEEE,2017.
    [10] 徐逸之,彭玲,林晖,等. 基于栈式自编码的上海地铁短时流量预测[J]. 计算机工程与科学,2018, 40(7):133138.
    XU Yizhi,PENG Ling,LIN Hui,et al.Short-term passenger flow prediction in Shanghai subway system based on stacked autoencoder[J]. Computer Engineering and Science,2018,40(7):133138.
    [11] CAO T X,LIU S M,WANG Z J,et al. A hybrid model for wind power short-term forecasting based on EEMD and coupling SAE-BP[J]. Electrical Measurement & Instrumentation,2018,55(13):8488.
    [12] 史峰. MATLAB 智能算法-30个案例分析[M]. 北京:航空航天大学出版社,2011.
    [13] 贾龙,胡泽春,宋永华,等. 储能和电动汽车充电站与配电网的联合规划研究[J]. 中国电机工程学报, 2017, 37(1):7383.
    JIA Long,HU Zechun,SONG Yonghua,et al. Joint planning research on energy storage and electric vehicle charging station and distribution network [J]. Proceedings of the CSEE,2017,37(1):7383.
    [14] 张成刚,姜静清. 一种稀疏降噪自编码神经网络研究[J]. 内蒙古民族大学学报(自然汉文版),2016, 31(1):2125.
    ZHANG Chenggang, JIANG Jingqing. Study on sparse de-noising auto-encoder neural network[J]. Journal of Inner Mongolia University for Nationalities (Natural Chinese Edition),2016,31(1):2125.
    [15] WANG L,YOU Z H,CHEN X,et al. A Computational-based method for predicting drug-target interactions by using stacked autoencoder deep neural network[J]. Journal of Computational Biology A Journal of Computational Molecular Cell Biology, 2017, 25(3):361373.
    [16] 牛玉虎. 卷积稀疏自编码神经网络[J]. 计算机与现代化,2017(2):2229.
    NIU Yuhu. Convolutional sparse autoencoder neural networks[J]. Computer and Modernization,2017 (2):2229.
    [17] 寇茜茜,何希平. 基于栈式自编码器模型的汇率时间序列预测[J]. 计算机应用与软件,2017,34(3):218221.
    KOU Qianqian,HE Xiping. Exchange rate time series prediction based on stacked autoencoder model[J]. Computer Applications and Software,2017,34(3):218221.
    [18] 贾文娟,张煜东. 自编码器理论与方法综述[J]. 计算机系统应用,2018,27(5):19.
    JIA Wenjuan,ZHANG Yudong. Survey on theories and methods of auto encoder[J]. Computer Systems & Applications,2018,27(5):19.
    [19] 林嘉宇,刘荧. RBF神经网络的梯度下降训练方法中的学习步长优化[J]. 信号处理,2002,18(1):4348.
    LIN Jiayu,LIU Ying. Learning rate refining for gradient descent method of RBF neural networks[J]. Signal Processing,2002,18(1):4348.
    [20] HUANG G B,ZHU Q Y,SIEW C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006,70(1):489501.
    [21] 王保义,赵硕, 张少敏.基于云计算和极限学习机的分布式电力负荷预测算法[J]. 电网技术,2014,38(2): 526531.
    WANG Baoyi,ZHAO Shuo,ZHANG Shaomin. A distributed load forecasting algorithm based on cloud computing and extreme learning machine[J]. Power System Technology,2014,38(2):526531.
  • [1] 黄飞虎, 赵红磊, 弋沛玉, 李沛东, 彭舰.  一种改进Transformer的电力负荷预测方法 . 现代电力, 2023, 40(1): 50-58. doi: 10.19725/j.cnki.1007-2322.2021.0209
    [2] 胡聪, 洪德华, 张翠翠, 王海鑫, 薛晓茹, 李云路.  一种基于特征映射与深度学习的虚假数据注入检测方法 . 现代电力, 2023, 40(1): 125-132. doi: 10.19725/j.cnki.1007-2322.2021.0255
    [3] 方娜, 李俊晓, 陈浩, 李新新.  基于变分模态分解的卷积神经网络−双向门控循环单元−多元线性回归多频组合短期电力负荷预测 . 现代电力, 2022, 39(4): 441-448. doi: 10.19725/j.cnki.1007-2322.2021.0130
    [4] 丁琦, 邱才明, 杨浩森, 童厚杰.  基于模型无关优化策略的风电短时回归预测框架设计 . 现代电力, 2022, 39(3): 253-261. doi: 10.19725/j.cnki.1007-2322.2021.0097
    [5] 陈忠华, 朱军, 王育飞, 凌晨.  基于一致性K均值聚类的电动汽车充电负荷建模方法 . 现代电力, 2022, 39(3): 338-346. doi: 10.19725/j.cnki.1007-2322.2021.0107
    [6] 张美霞, 吴子敬, 杨秀.  基于动态能耗模型与用户心理的电动汽车充电负荷预测 . 现代电力, 2022, 39(6): 710-719. doi: 10.19725/j.cnki.1007-2322.2021.0196
    [7] 魏明奎, 叶葳, 沈靖, 周泓, 蔡绍荣, 王渝红, 沈力.  基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法 . 现代电力, 2021, 38(1): 17-23. doi: 10.19725/j.cnki.1007-2322.2020.0201
    [8] 黄银燕, 于超, 黄文新, 覃智君, 毕乐明, 杨琳.  基于传感器网络与高斯过程回归的楼宇负荷预测 . 现代电力, 2021, 38(6): 664-673. doi: 10.19725/j.cnki.1007-2322.2020.0416
    [9] 龙虹毓, 周游, 陈芳幸, 胡晓锐, 徐婷婷, 龙羿.  基于山地城市电动汽车负荷特性的充电设施规划 . 现代电力, 2021, 38(): 1-9. doi: 10.19725/j.cnki.1007-2322.2022.0195
    [10] 潘含芝, 于艾清, 王育飞, 金彪.  均衡不同主体利益的电动汽车充电站选址定容 . 现代电力, 2021, 38(): 1-11. doi: 10.19725/j.cnki.1007-2322.2022.0114
    [11] 赵冬梅, 马泰屹, 王闯.  基于相空间重构和长短期记忆算法的电力系统无功负荷预测模型 . 现代电力, 2020, 37(5): 470-477. doi: 10.19725/j.cnki.1007-2322.2020.0235
    [12] 李涛, 罗旭, 温力力, 雷星雨, 朱正春, 周平, 崔荣, 杨知方.  考虑充电站需求特性的电动汽车充电站与配电网联合规划方法 . 现代电力, 2020, 37(5): 491-500. doi: 10.19725/j.cnki.1007-2322.2020.0063
    [13] 苏运, 卜凡鹏, 郭乃网, 田世明, 田英杰, 张琪祁, 瞿海妮, 柳劲松.  基于低秩表示的多任务短期电力负荷预测的研究 . 现代电力, 2019, 36(3): 58-65.
    [14] 张鑫钰, 强伟, 文晓龙, 李宏仲.  考虑V2G模式的电动汽车充电站规划 . 现代电力, 2019, 36(1): 71-78.
    [15] 戚任远.  上海用电负荷预测中气温累积效应分析 . 现代电力, 2018, 35(2): 38-42.
    [16] 梁海峰, 刘博, 郑灿, 曹大卫, 高亚静.  智能电网下基于负荷识别的居民电动汽车需求响应特性建模方法研究 . 现代电力, 2018, 35(5): 1-9.
    [17] 周凌锋, 王杰.  基于时空分布负荷预测的电动汽车充电优化 . 现代电力, 2018, 35(5): 10-16.
    [18] 吴润泽, 包正睿, 宋雪莹, 邓 伟.  基于深度学习的电网短期负荷预测方法研究 . 现代电力, 2018, 35(2): 43-48.
    [19] 刘青, 戚中译.  考虑空间运动特性的规模化电动汽车接入电网负荷预测模型 . 现代电力, 2015, 32(1): 76-82.
    [20] 崔 勇, 王 川, 陈小龙, 范名贵.  基于灰色马尔科夫预测模型的中长期电力负荷预测 . 现代电力, 2011, 28(3): 38-41.
  • 加载中
计量
  • 文章访问数:  466
  • HTML全文浏览量:  63
  • PDF下载量:  41
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-11-18
  • 刊出日期:  2019-12-09

基于SAE-ELM的电动汽车充电站负荷预测模型

    基金项目:  国家863计划课题(2015AA050203)
    作者简介:

    龚钢军(1974—),男,博士,副教授,研究方向为人工智能、能源电力信息安全、主动配电网,E-mail:gong@ncepu.edu.cn;安晓楠(1993—),女,硕士研究生,研究方向为电力负荷预测、电力系统通信与安全,E-mail:13120425789@163.com。

  • 中图分类号: TM715

摘要: 电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAE-ELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAE-ELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。

English Abstract

龚钢军, 安晓楠, 陈志敏, 等. 基于SAE-ELM的电动汽车充电站负荷预测模型[J]. 现代电力, 2019, 36(6): 9-15.
引用本文: 龚钢军, 安晓楠, 陈志敏, 等. 基于SAE-ELM的电动汽车充电站负荷预测模型[J]. 现代电力, 2019, 36(6): 9-15.
GONG Gangjun, AN Xiaonan, CHEN Zhimin, etc. Model of Load Forecasting of Electric Vehicle Charging Station Based on SAE-ELM[J]. Modern Electric Power, 2019, 36(6): 9-15.
Citation: GONG Gangjun, AN Xiaonan, CHEN Zhimin, etc. Model of Load Forecasting of Electric Vehicle Charging Station Based on SAE-ELM[J]. Modern Electric Power, 2019, 36(6): 9-15.
参考文献 (21)

目录

    /

    返回文章
    返回