电动汽车(electric vehicle,EV)充电行为存在强随机性与高波动性,使其充电站短期充电负荷预测精度较低,作为移动电力存储和负载资源参与车到网(vehicle to grid,V2G)服务中,其调度中心需要在短时间内预测EV的充电负荷来改善其对电网负...电动汽车(electric vehicle,EV)充电行为存在强随机性与高波动性,使其充电站短期充电负荷预测精度较低,作为移动电力存储和负载资源参与车到网(vehicle to grid,V2G)服务中,其调度中心需要在短时间内预测EV的充电负荷来改善其对电网负荷的影响。为了提高EV充电站短期充电负荷预测精度,提出一种冠豪猪优化器变分模态分解双向长短期记忆神经网络(crested porcupine optimizer variational mode decomposition bidirectional long short term memory,CPO VMD BiLSTM)组合模型进行EV充电站短期充电负荷预测的方法。首先,考虑影响EV充电负荷的多种因素和历史充电站充电负荷共同构成输入特征矩阵。然后利用CPO算法对VMD其核心参数进行优化搜索,实现参数自适应优化设置。之后采用CPO VMD对历史充电负荷数据进行分解,弱化负荷的非平稳性,捕捉其局部特征。最后在BiLSTM模型中输入分解后的特征矩阵来实现充电站短期充电负荷的预测目标。以美国ANN DATA公开数据集中位于加州理工大学校园内EV充电站的历史充电负荷数据作为实际算例,与独立模型、未优化组合模型、优化组合模型进行对比,均方根误差(root mean squared error,RMSE)和平均绝对误差(mean absolute error,MAE)平均降低了41.23%和59.04%。因此,验证了提出方法在充电站充电负荷短期预测中精度的提高和实用性。展开更多
文摘电动汽车(electric vehicle,EV)充电行为存在强随机性与高波动性,使其充电站短期充电负荷预测精度较低,作为移动电力存储和负载资源参与车到网(vehicle to grid,V2G)服务中,其调度中心需要在短时间内预测EV的充电负荷来改善其对电网负荷的影响。为了提高EV充电站短期充电负荷预测精度,提出一种冠豪猪优化器变分模态分解双向长短期记忆神经网络(crested porcupine optimizer variational mode decomposition bidirectional long short term memory,CPO VMD BiLSTM)组合模型进行EV充电站短期充电负荷预测的方法。首先,考虑影响EV充电负荷的多种因素和历史充电站充电负荷共同构成输入特征矩阵。然后利用CPO算法对VMD其核心参数进行优化搜索,实现参数自适应优化设置。之后采用CPO VMD对历史充电负荷数据进行分解,弱化负荷的非平稳性,捕捉其局部特征。最后在BiLSTM模型中输入分解后的特征矩阵来实现充电站短期充电负荷的预测目标。以美国ANN DATA公开数据集中位于加州理工大学校园内EV充电站的历史充电负荷数据作为实际算例,与独立模型、未优化组合模型、优化组合模型进行对比,均方根误差(root mean squared error,RMSE)和平均绝对误差(mean absolute error,MAE)平均降低了41.23%和59.04%。因此,验证了提出方法在充电站充电负荷短期预测中精度的提高和实用性。
