一种新型电动汽车充电站负荷预测方法技术

本发明专利技术公开了一种电动汽车充电站负荷预测方法，所述预测方法包括以下步骤：步骤1：输入指标及对各输入指标进行数据预处理；步骤2：利用KA算法对BP神经网络模型的参数进行优化；步骤3：构建基于KA算法和BP神经网络模型的电动汽车充电站短期负荷预测模型。本发明专利技术采用KA算法来优化BP神经网络的连接权值和阈值，从而提高BP神经网络的收敛速度，避免其陷入局部最优。

【技术实现步骤摘要】
一种新型电动汽车充电站负荷预测方法
本专利技术涉及充电站负荷预测方法
，特别是涉及新型电动汽车充电站负荷预测方法。
技术介绍
电动汽车的迅速发展则为解决能源危机和环境危机提供了新的思路，电动汽车逐渐变成大众的主要出行方式成为一种必然趋势。然而电动汽车充电站负荷表现出较大的波动性、随机性和间歇性，为电网的优化调度和安全运行带来了新的挑战。建立科学合理的电动汽车充电站短期负荷预测模型不仅可以有效提升负荷预测精度优化电力调度；而且有助于推动电动汽车充电站的科学建设，提高电动汽车的普及率，从而促进电动汽车产业平稳较快发展。因此，对电动汽车充电站短期负荷预测进行研究具有重要的现实意义。目前，国内外学者对电动汽车充电站短期负荷预测开展了多项研究，大致分为两个方面，分别是统计预测模型和智能预测模型。统计预测模型是以概率和统计理论为基础进行的预测，其中最为常用的是蒙特卡洛方法，蒙特卡洛(MonteCarlo)方法是一种以概率和统计理论为基础的随机模拟方法，它依据居民出行调查的交通行为数据库，对用户的行驶行为采用确定的概率分布函数进行拟合，建立具有随机概率特征的数学模型来预测汽车在未来时段的充电时间、地点以及负荷需求，但是此类方法受函数参数的影响,分布参数的选取较随机，容易出现拟合估计不准确的问题，预测精度低。因此，在人工智能技术快速发展的时代背景下，更多研究人员开始运用智能预测模型来进行电动汽车充电站负荷预测。BP神经网络(BPNN)一种按误差逆传播算法训练的多层前馈网络，以其较强的非线性映射能力、高度的自学习和自适应能力，在预测效果上表现得更好。当然，由于BPNN结构中的连接权值和阈值在初始化时是随机设定的，所以存在着可能陷入局部最优、收敛速度慢等缺点。因此希望有一种新型电动汽车充电站负荷预测方法以提升电动汽车充电站短期负荷预测的准确性和稳定性。
技术实现思路
KA算法是一种基于种群理论模仿肾脏生物系统运作程序的全新启发式算法。通过数学建模而得到的一种全新有效的元启发式算法。首先，在该算法的初始阶段，需要创建候选解的随机种群和目标函数，并在每一次迭代时通过不断寻找目前为止最佳的解决方案，为所有候选解生成一个新的解决方案。然后，通过应用过滤算子将种群中高质量的候选解过滤到FB(filteredblood)过滤血液中，其余移入W(waste)废弃物，该过滤算子模拟肾脏生物系统运作过程中的再吸收、分泌和排泄机制，通过检查嵌入算法的条件完成搜索工作。如果候选解被分配给废弃物，则该候选解将拥有改进自己进入过滤血液的机会。该候选解若经过改进之后仍不满足条件，则从废弃物中排出，同时在废弃物中添加一个随机解；另一方面，过滤之后被分配到过滤血液中的候选解质量若低于过滤血液中的最差解，则该解被排出，若高于过滤血液中的最差解，则最差解被排出。最后，排列过滤血液中的解决方案，更新最优解和过滤率，合并过滤血液与废弃物，不断持续此迭代过程，直到满足结束条件终止操作。本专利技术公开了一种电动汽车充电站负荷预测方法，所述预测方法包括以下步骤：步骤1：输入指标及对各输入指标进行数据预处理；步骤2：利用KA算法对BP神经网络模型的参数进行优化；步骤3：构建基于KA算法和BP神经网络模型的电动汽车充电站短期负荷预测模型。优选地,所述步骤1中的指标包括：季节类型、当日最高气温、当日最低气温、天气类型、日类型以及预测日前5天同一时刻的负荷值，其中日类型包括工作日和节假日两种类型。优选地,对所述步骤1中的气温数据和负荷数据指标进行公式(1)的归一化处理：其中，xi是实际值，xmin和xmax分别是样本数据的最小值和最大值，yi为归一化处理后的负荷值。优选地，所述步骤2中的KA算法的优化过程包括：步骤2.1：虚拟溶质的运动；产生随机种群，虚拟溶质为KA种群中的每种解，将虚拟溶质中第i次迭代解通过公式(2)运动移向最优解可以得出新的解：Si+1＝Si+rand(Sbest-Si)(2)其中S表示虚拟溶质，Si是第i次迭代中的解，rand的值是零和给定数之间的随机数，Sbest是过去迭代中根据算法得出的最优解；步骤2.2：过滤；每次迭代的过滤函数计算过滤速率，通过过滤速率过滤虚拟溶质，过滤速率(fr)计算如公式(3)：α的值是在(0，1]范围内的一个常数值，p代表KA种群大小，f(xi)是在i处迭代解x的目标函数；每次迭代的过滤速率取决于KA种群中所有解的目标函数值，公式(3)通过α提供了KA种群中所有解的MOF比率，如果α等于0，fr等于0，则表示该算法没有过滤过程，所以α的值必须大于0且小于等于1。如果该值设置为1，则fr取所有目标函数的平均值。改变过滤速率以帮助实现计算收敛，每次迭代时，目标函数的值接近总体最优值，因此基于这些解进行计算的过滤速率为过滤血液提供了更好的解。步骤2.3：再吸收；再吸收算子给已分配给废弃物的解重新变为过滤血液一部分的机会，如果一个解通过公式(2)满足过滤速率并且被分配给过滤血液，则此分配给废弃物的解移动至过滤血液；步骤2.4：分泌；分泌是对已分配给过滤血液的解进行运算的过程，如果过滤血液中的最差解优于已分配给过滤血液的解，则已分配给过滤血液的解被分泌并被移动到废弃物；否则已分配给过滤血液的解保留在过滤血液中，并且过滤血液的最差解被分泌并被传送到废弃物；步骤2.5：排泄；如果为在废弃物中的解提供再吸收的机会之后，不能满足成为过滤血液一部分的过滤速率，则该虚拟溶质会被排出；如果这些虚拟溶质在移动两次后不具有成为过滤血液的能力，则会排出，废弃物中的解被替换为随机解。优选地，所述步骤2中的BP神经网络模型的参数为所述BP神经网络中的连接权值和阈值，所述BP神经网络中的连接权值和阈值作为所述KA的种群，将BP神经网络的训练误差作为KA的适应度函数，通过KA算法的优化过程，得到最优的BP神经网络连接权值和阈值通过对测试函数进行运算，KA算法的寻优能力优于遗传算法，粒子群算法，蝙蝠算法等优化算法。可以采用KA算法来优化BP神经网络的连接权值和阈值，从而提高BP神经网络的收敛速度，避免其陷入局部最优。本专利技术公开了一种电动汽车充电站负荷预测方法，本专利技术具有以下有益效果：1.通过KA算法对BP神经网络模型参数进行优化，取得的预测结果相比于基本BP神经网络模型，其预测精度更高，鲁棒性更强；2.本专利技术所提模型可以对不同地区、不同时间段的电动汽车充电站短期负荷进行预测，并可以取得较为理想的预测效果，本专利技术所构建的模型适应性和稳定性较强。附图说明图1是本专利技术BP神经网络结构示意图。具体实施方式为使本专利技术实施的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术公开电动汽车充电站负荷预测方法，所述预测方法包括以下步骤：步骤1：输入指标及对各输入指标进行数据预本文档来自技高网...

【技术保护点】
1.一种新型电动汽车充电站负荷预测方法，其特征在于，所述预测方法包括以下步骤：步骤1：输入指标及对各输入指标进行数据预处理；步骤2：利用KA算法对BP神经网络模型的参数进行优化；步骤3：构建基于KA算法和BP神经网络模型的电动汽车充电站短期负荷预测模型。

【技术特征摘要】
1.一种新型电动汽车充电站负荷预测方法，其特征在于，所述预测方法包括以下步骤：步骤1：输入指标及对各输入指标进行数据预处理；步骤2：利用KA算法对BP神经网络模型的参数进行优化；步骤3：构建基于KA算法和BP神经网络模型的电动汽车充电站短期负荷预测模型。2.根据权利要求1所述的新型电动汽车充电站负荷预测方法，其特征在于：所述步骤1中的指标包括：季节类型、当日最高气温、当日最低气温、天气类型、日类型以及预测日前5天同一时刻的负荷值。3.根据权利要求2所述的新型电动汽车充电站负荷预测方法，其特征在于：对所述步骤1中指标的气温数据和负荷数据进行公式(1)的归一化处理：其中，xi是实际值，xmin和xmax分别是样本数据的最小值和最大值，yi为归一化处理后的负荷值。4.根据权利要求3所述的新型电动汽车充电站负荷预测方法，其特征在于：所述步骤2中的KA算法的优化过程包括：步骤2.1：虚拟溶质的运动；产生随机种群，虚拟溶质为KA种群中的每种解，将虚拟溶质中第i次迭代中的解通过公式(2)运动移向最优解以得出新的解：Si+1＝Si+rand(Sbest-Si)(2)其中S表示虚拟溶质，Si是第i次迭代中的解，rand的值是零和给定数之间的随机数，Sbest是过去迭代中根据算法得出的最优解；步骤2.2：过滤；每次迭...

【专利技术属性】
技术研发人员：牛东晓，王海潮，李偲，陈寒钰，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11