基于SAE-ELM的电动汽车充电站负荷预测模型

被引：23

作者：

龚钢军 ^{[1
]}

安晓楠 ^{[1
]}

陈志敏 ^{[1
]}

张帅 ^{[2
]}

文亚凤 ^{[1
]}

吴秋新 ^{[2
]}

苏畅 ^{[1
]}

机构：

[1] 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)

[2] 北京信息科技大学

来源：

现代电力 | 2019年 / 36卷 / 06期

关键词：

电动汽车充电站; 负荷预测; 深度学习; SAE-ELM;

D O I：

10.19725/j.cnki.1007-2322.2019.06.002

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 [电力系统及其自动化];

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。

引用

页码：9 / 15

页数：7

共 18 条

[1]

基于栈式自编码的上海地铁短时流量预测 [J].