基于模糊熵和集成学习的电动汽车充电需求预测

被引：86

作者：

王毅 ^{[1
,2
,3
]}

谷亿 ^{[1
]}

丁壮 ^{[1
]}

李松浓 ^{[2
]}

万毅 ^{[1
]}

胡晓锐 ^{[2
]}

机构：

[1] 重庆邮电大学通信与信息工程学院

[2] 国网重庆市电力公司电力科学研究院

[3] 国网重庆市电力公司博士后科研工作站

来源：

电力系统自动化 | 2020年 / 44卷 / 03期

关键词：

电动汽车; 充电需求预测; 经验模态分解; 模糊熵; 集成学习;

D O I：

暂无

中图分类号：

U491.8 [路侧服务设施]; TM910.6 [充电方式、充电设备];

学科分类号：

080805 [电工理论与新技术]; 082305 [交通基础设施工程];

摘要：

提出一种基于经验模态分解-模糊熵和集成学习的电动汽车充电需求预测方法。该方法通过经验模态分解将电动汽车充电需求时间序列分解成相对简单的分量。为了避免分量数量过多导致计算繁琐和误差累积,首先利用模糊熵计算各分量的复杂度,并对分量进行叠加合并得到一系列子序列,减少分量数量;然后对不同频率的子序列,分别使用长短期记忆神经网络和支持向量机作为基学习器进行预测;最后采用Stacking集成学习策略,将基学习器预测结果与天气数据和分解前的充电需求时间序列数据组成特征集,经过一个全连接神经网络的学习得到最终预测结果。基于中国西南某城市中某一区域的电动汽车充电需求真实数据进行单步和多步预测实验,并与其他算法进行了对比,证明了所提方法的可靠性。

引用

页码：114 / 121

页数：8

共 17 条

[1]

基于多模型融合Stacking集成学习方式的负荷预测方法 [J].

史佳琪 ;

张建华 .

中国电机工程学报, 2019, 39 (14) :4032-4042

[2]

电动汽车充放电负荷预测研究综述 [J].

陈丽丹 ;

张尧 ;

Antonio FIGUEIREDO .

电力系统自动化, 2019, 43 (10) :177-191

[3]

基于经验模态分解与特征相关分析的短期负荷预测方法 [J].

孔祥玉 ;

李闯 ;

郑锋 ;

于力 ;

马溪原 .

电力系统自动化, 2019, 43 (05) :46-52

[4]

Short-term local prediction of wind speed and wind power based on singular spectrum analysis and locality-sensitive hashing[J] Ling LIU;Tianyao JI;Mengshi LI;Ziming CHEN;Qinghua WU; Journal of Modern Power Systems and Clean Energy 2018, 02

[5]

基于异常序列剔除的多变量时间序列结构化预测 [J].