基于优化支持向量回归机的充电站负荷预测研究

发布时间：2020-07-28 18:42

【摘要】：在用电高峰期间,大量电动汽车集中充电将致使电网的负荷峰谷差明显增加,造成配电网中局部过载情况,加重电力设备的运行负担,对电力系统调峰调控造成困难。电动汽车充电站作为组成电力负荷的重要部分,对其进行负荷预测研究,对于电力系统的安全稳定运行具有重要意义,也能为充电站自身提供相应功率数据支持。首先本文通过分析电动汽车充电站充电负荷的数据特征,选取充电站负荷特征类型。再利用选择参数组合的方法,设计了基于线性、自定义多项式和径向基核函数的支持向量回归机充电站负荷预测模型,通过实际数据分析,选择合适的特征数据和负荷数据进行算例实验。针对支持向量回归机模型参数过于依赖人为经验选择的问题,本文采用粒子群算法对支持向量回归机模型参数进行优选,并且对粒子群算法通过自适应调整惯性权重和加速系数进行综合改进,构建了基于IPSO-SVR充电站负荷预测模型。经过算例分析,验证综合改进粒子群优化模型的预测效果。其次,针对粒子群算法容易陷入局部最优解区域的问题,本文引入网格搜索算法,利用其全局遍历性特点,将网格大步距搜索方法与综合改进粒子群算法相结合,提出一种网格粒子群优化支持向量回归机参数的寻优方式,达到全局最优;构建基于GS_IPSO-SVR的充电站负荷预测模型,并通过与标准粒子群优化和综合改进粒子群优化模型实验结果比较,验证网格粒子群优化模型在电动汽车充电站负荷预测应用中的可行性和优势性。通过实验,本文证明了径向基核函数在构建基于支持向量回归机的充电站负荷预测模型时具有类型优势。同时验证了网格粒子群优化模型可以有效地解决粒子群算法易陷入局部最优解和网格搜索效率低的问题,GS的融入有效提升了粒子群的收敛精度,IPSO优化保证了模型的运行效率和预测效果。因此,本文提出的GS_IPSO-SVR模型对充电站负荷预测具有一定的指导意义。
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM715;TP18
【图文】：

功率曲线,充电站,充电功率,温度因素

西安科技大学全日制工程硕士学位论文与温度的相关性分析电动汽车充电站的充电负荷数据和相关运行数据分析得出，充电站具有很强的相关性[30]，与风速和湿度因素则相关不大。所以本文主型数据的主要考虑因素。当外部环境温度出现较大变化差异时，绝择开启车载空调，致使消耗电量增加，增大充电站的负荷压力。此，电动汽车电池的充电时间和充电特点也不同[31-32]，使充电负荷值出取西安市某电动汽车充电站 2013 年 6 月 27 日、7 月 4 日、7 月 11 型的三个日期，分析温度对充电负荷的影响程度，得功率曲线如图 2

曲线,充电站,充电功率,类型

表 2.2 充电站充电功率与日类型的关系日类型最高充电功率均值/KW 平均充电功率均值/KW星期一 13826 12703星期二 14215 12686星期三 13502 12653星期四 13594 12661星期五 14642 12673星期六 15073 12967星期日 14820 12759可以看出，周末日的日最高充电负荷均值分别为 15073KW 和 14820均值分别为 12967KW 和 12759KW，从负荷数值看明显高于工作日的值和平均充电功率均值，所以可以得出，电动汽车充电站在周末日产于工作日产生的充电负荷值。型对电动汽车充电站充电负荷的影响也不容忽视。本文对该电动汽车秋、冬四个季度中的充电功率曲线进行分析，结果如图 2.2 所示。

函数图形,函数图形,粒子

通过控制粒子飞行速度，限制粒子的最大飞行距离，防止粒子飞出搜索范围。具体如式 4.6 所示。max maxmin min(1 ( ) ) , (1 ( ) )(1 ( ) ) , (1 ( ) )k ki ik ki it tv v v vT Tt tv v v vT T （4.6其中maxv 表示粒子最大飞行速度，k 取 0.05，t 是当前迭代次数，T 是最大迭代次数根据式 4.6 分析可得，当迭代开始时值较小，粒子飞行速度处于较大的范围区随着迭代的连续进行，粒子速度变小，将在较小范围内搜索，总体上实现算法的整，使得粒子能够精确地接近最优解。4 改进算法性能实验对比选用 Ackley 函数作为适应度函数，验证改进算法性能，函数图形如图 4.2 所示。如式 4.7 所示：21 11 1( ) 20 20 exp( 0.2 ) exp( cos(2 ))n ni ii if x e x xn n （4.7）

【参考文献】