电动汽车作为一种清洁环保的出行方式受到了越来越多地欢迎,但电动汽车充电负荷日益增长将会对现有电网造成一定的冲击与影响.与常规负荷不同,电动汽车的充电负荷存在较大的随机性,准确地预测电动汽车充电负荷的变化,有助于电网稳定运行.首先,本文针对各站电动汽车充电负荷曲线采用K-means算法进行聚类,减小充电负荷的波动性,同时,充电负荷时间序列是典型的非线性、非平稳时间序列,因此本文引入多级小波变化将充电负荷时间序列分解为多个复杂度较低的分量,帮助预测模型,挖掘其变化特征;然后,本文提出以历史充电负荷功率各级分量、天气数据、日期类型为输入的长短期记忆神经网络预测模型,并使用遗传算法来选择长短期记忆神经网络的最优超参数;最后,本文用实际数据验证了本文所提方法能够有效预测电动汽车的短期负荷.

充电负荷预测;K-means聚类;多级离散小波变换;LSTM模型;遗传算法

国网天津市电力公司,天津300010;国能日新科技股份有限公司,北京100192

[1]刘颂;刘振阳;郝毅;黄志刚;何发才;王梓-.基于多级离散小波变换和LSTM模型的充电负荷短期预测方法)[J].电力大数据,2022(11):1-8

多级离散小波变换

短期预测,清洁环保,出行方式,电动汽车充电负荷,常规负荷,随机性,电网稳定,各站,负荷曲线,means,波动性,非平稳时间序列,小波变化,时间序列分解,负荷功率,气数,长短期记忆神经网络,神经网络预测模型,优超,超参数,实际数据,数据验证,短期负荷,充电负荷预测

0.214883