可变带宽核估计与卷积神经网络结合的充电负荷预测
王国君1
王立业2
廖承林2
王丽芳2
袁晓冬3
王明深3
1.中国科学院电工研究所 电力电子与电气驱动重点实验室,北京 100190;中国科学院大学,北京 1001492.中国科学院电工研究所 电力电子与电气驱动重点实验室,北京 1001903.国网江苏省电力有限公司 电力科学研究院,南京 211103
摘要：针对电动汽车充电负荷预测研究中存在的充电负荷预测耗时长、效率低、结果不准确等问题,提出一种可变带宽核估计与卷积神经网络时间序列预测相结合的预测方法.首先,结合电动汽车的充电行为和行驶习惯,获得大规模电动汽车的充电行驶数据,基于大量的实时数据,深入分析大规模电动汽车充电负荷的多种影响因素,并基于影响因素和实际路况等构建单位里程耗电量模型.然后,为准确拟合数据,引入3种传统概率模型,分析并比较它们的优缺点和拟合的准确度.最后,基于拟合结果,采用拟合准确度最高的可变带宽核估计模型对电动汽车充电负荷进行拟合,基于拟合结果结合卷积神经网络对电动汽车充电负荷进行预测.研究结果表明:所提方法将电动汽车充电负荷预测的平均误差降至3.11%,最大误差降至6.42%,有效提高了预测准确度,可为电网系统的维护提供借鉴和参考.
关键词：电动汽车可变带宽核估计卷积神经网络负荷预测
分类号：TM73(输配电工程、电力网及电力系统)
论文发表日期：2024-10-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 155-161 )
英文信息