針對EV（electricvehicle,電動汽車）短期負荷數(shù)據(jù)中異常數(shù)據(jù)造成預測偏差,提出順序分支篩選法結合Elman的EV短期負荷預測方法,簡稱SBF-Elman（Sequentialbranch filtering-Elman）。首先分析EV短期負荷預測研究現(xiàn)狀和影響EV充電負荷因素,介紹了SBF-Elman應用于負荷預測原理,構建了EV等效負荷模型,求得等效負荷序列。選取廣東省某市2018年5月份的EV的負荷數(shù)據(jù)和構建的等效負荷序列,進行Elman訓練和預測。實驗結果表明,該方法規(guī)避了原始負荷中的因突發(fā)事件所產生的異常數(shù)據(jù)造成的預測偏差,預測精度提高了3%,預測時間提高2.13s,為EV優(yōu)化調度的工作奠定了基礎。 

【文章來源】：制造業(yè)自動化. 2020,42(10)CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

影響EV因素SBF篩選原理圖

Elman-NN是Elman在1990年提出的動態(tài)回歸雙層網(wǎng)絡，如圖2所示它分為四層：輸入層、隱含層、承接層和輸出層。輸入層是用來傳遞信息，隱含層就是把輸入數(shù)據(jù)的特征抽象到另一個維度空間，將所呈現(xiàn)出來的特征進行線性劃分。承接層是用來記憶隱含層上一時刻的輸出值，并在作為輸入返給隱含層，這一自聯(lián)方式加強了網(wǎng)絡本身處理信息的能力，從而實現(xiàn)動態(tài)建模。在傳統(tǒng)的負荷預測中的人工神經網(wǎng)絡是一個前饋神經網(wǎng)絡，屬于靜態(tài)網(wǎng)絡，EV負荷預測是一個動態(tài)系統(tǒng)，因為靜態(tài)網(wǎng)絡不能準確地反映系統(tǒng)的動態(tài)特性，利用動態(tài)遞歸Elman神經網(wǎng)絡來進行EV短期負荷預測，更能準確地反映EV短期負荷的動態(tài)特性，因此采用Elman-NN建立EV短期負荷預測模型。3 SBF-Elman預測模型算法及流程

其中w可代表輸入層、隱含層或輸出層的權值，對于輸出層、隱含層和承接層內部的權值更新與優(yōu)化的鏈式法則的推導這里不再贅述。以上闡明了SBF-Elman預測模型的基于誤差的權值優(yōu)化過程，也是Elman-NN訓練的過程。圖3是該預測模型的流程圖。4 實驗仿真

【參考文獻】：
期刊論文
[1]基于出行模擬的電動汽車充電負荷預測模型及V2G評估[J]. 李含玉,杜兆斌,陳麗丹,管霖,周保榮.  電力系統(tǒng)自動化. 2019(21)
[2]考慮分布式光伏和電動汽車接入的配電網(wǎng)空間負荷預測方法[J]. 靳現(xiàn)林,趙迎春,吳剛.  電力系統(tǒng)保護與控制. 2019(14)
[3]基于時刻充電概率的電動汽車充電負荷預測方法[J]. 王浩林,張勇軍,毛海鵬.  電力自動化設備. 2019(03)
[4]基于改進遺傳算法的BP神經網(wǎng)絡短期電力負荷預測[J]. 王帥哲,王金梅,王永奇,馬文濤.  國外電子測量技術. 2019(01)
[5]考慮發(fā)展不均衡的電動汽車充電負荷預測[J]. 余軍偉,孫云蓮,張笑迪.  電測與儀表. 2019(05)
[6]基于EEMD-SE和GARBF的短期電力負荷預測[J]. 高強,李易隆,李大華,白梓璇.  電子技術應用. 2019(01)
[7]電動汽車充電對配電網(wǎng)電壓質量的影響研究[J]. 呂金炳,宋輝,劉云,李國棟,劉創(chuàng)華,徐永海.  電測與儀表. 2018(22)
[8]電動汽車用電負荷預測及對城市電網(wǎng)的影響[J]. 夏文芳.  農村電氣化. 2018(11)
[9]基于時空分布負荷預測的電動汽車充電優(yōu)化[J]. 周凌鋒,王杰.  現(xiàn)代電力. 2018(05)
[10]基于灰色神經網(wǎng)絡的微電網(wǎng)短期負荷預測[J]. 張浩,鄧步青,彭道剛,夏飛.  系統(tǒng)仿真技術. 2018(01)



本文編號：3594690