基于相似周和模态分解的融合模型电动汽车负荷预测

作     者：叶永盛 徐燕龙 李阳 严芳芳 黎丽丽 黄江华 

作者机构：湖北省石墨增材制造技术装备工程研究中心(三峡大学) 三峡大学电气与新能源学院 安徽工程大学人工智能学院 浙江科技大学机械与能源工程学院 

出 版 物：《电网技术》 (Power System Technology)

年 卷 期：2024年

核心收录：

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：2022年产业技术基础公共服务平台(2022-232-223) 

主　　题：相似周 电动汽车 负荷预测 参数优化 KELM 

摘      要：随着电动汽车的快速发展，其带来的庞大随机负荷对配电网的安全稳定运行带来了极大挑战。针对电动汽车负荷数据存在非线性和特征不明显等特点，本文提出了一种基于相似周和模态分解的融合模型电动汽车负荷预测方法。首先，使用皮尔逊相关系数和动态时间规整(Dynamic Time Warping，DTW)筛选出的相似周和特征组成相似周负荷序列。然后，使用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)将相似周负荷序列分解为高频和低频分量，高频分量输入到卷积神经网络(Convolutional neural network，CNN)-门控循环网络(Gate recurrent unit，GRU)模型，低频分量输入到核极限学习机(Kernel extreme learning machine，KELM)模型，并使用改进的麻雀搜索算法(Improved sparrow search algorithm，ISSA)优化网络模型的超参数。最后，将不同分量的预测结果求和，输出最终负荷预测序列。实验表明，本文方法有着较快的预测速度和较高的预测精度。