基于SAE-ELM的电动汽车充电站负荷预测模型

论文摘要

电动汽车（electric vehicle,EV）用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机（SAEELM）的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAEELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。

论文目录

• 0 引言
• 1 电动汽车与电网的交互模式
•   1.1 电动汽车的工作方式
•   1.2 电动汽车接入电网
• 2 栈式自编码神经网络的结构模型
•   2.1 自编码器结构
•   2.2 基于SAE-ELM的负荷预测模型
•   2.3 影响因素的确定及负荷预测流程
• 3 实验与性能分析
•   3.1 SAE-ELM结构的确定
•   3.2 实验结果及分析
• 4 结论

文章来源

类型: 期刊论文

作者: 龚钢军,安晓楠,陈志敏,张帅,文亚凤,吴秋新,苏畅

关键词: 电动汽车充电站,负荷预测,深度学习

来源: 现代电力 2019年06期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 电力工业

单位: 北京市能源电力信息安全工程技术研究中心(华北电力大学),北京信息科技大学

基金: 国家863计划课题(2015AA050203)

分类号: TM715

DOI: 10.19725/j.cnki.1007-2322.2019.06.002

页码: 9-15

总页数: 7

文件大小: 2175K

下载量: 272