基于集成学习的电动汽车充电站超短期负荷预测

• Published in: 上海交通大学学报 Vol. 56; no. 8; pp. 1004 - 1013
• Main Authors: 李恒杰, 朱江皓, 傅晓飞, 方陈, 梁达明, 周云
• Format: Journal Article
• Language: Chinese
• Published: 兰州理工大学 电气工程与信息工程学院,兰州730050 2022; 上海交通大学电力传输与功率变换控制教育部重点实验室,上海200240%兰州理工大学 电气工程与信息工程学院,兰州730050%国网上海市电力公司,上海200122%上海交通大学电力传输与功率变换控制教育部重点实验室,上海200240
• Subjects: 超短期预测; 集成学习; 经济性; 充电负荷; 电动汽车充电站
• ISSN: 1006-2467
• DOI: 10.16183/j.cnki.jsjtu.2021.486

TM734; 精确的电动汽车充电站充电负荷预测是提高充电站安全经济运行的重要措施,也是支撑充电基础设施新建、扩容规划决策的重要基础.为提高电动汽车充电站超短期充电负荷预测的精度,提出一种基于集成学习的充电站超短期充电负荷预测方法.首先,以预测精确度与响应速度为主要目标,使用轻量级梯度提升框架构建基础回归器模型;其次,通过自适应提升方法对基础回归器群进行集成;最后,通过超参数调整与优化,建立基于能量集成轻量梯度提升框架(EEB-LGBM)的双层充电站超短期充电负荷预测模型.算例结果表明,相较于反向传播神经网络、卷积神经长短期记忆网络、差分自回归移动平均模型等预测模型,所提出的基于EEB-LGBM的超短期充电负荷预测模型具有更高的精确度,同时可以大幅度缩短训练时间和降低计算资源需求.