基于多层优化核极限学习机的充电设施负荷预测方法及系统技术方案

本发明专利技术公开了基于多层优化核极限学习机的充电设施负荷预测方法及系统，包括：构建电动汽车充电负荷影响因素集合，并基于历史数据形成样本数据；对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗，获取充电站正常运行期间的历史数据集；归一化获取到的充电站正常运行期间的历史数据集；对归一化后的充电站正常运行期间的历史数据集进行特征提取，得到特征数据；构建多层优化核极限学习机负荷预测模型；通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练；通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。本发明专利技术具有实时性较好、准确度较高等优点。准确度较高等优点。准确度较高等优点。

【技术实现步骤摘要】
基于多层优化核极限学习机的充电设施负荷预测方法及系统


[0001]本专利技术涉及配电网的
，尤其涉及到一种基于多层优化核极限学习机的充电设施负荷预测方法、系统、计算机及存储介质。

技术介绍

[0002]作为应对能源危机与环境污染的有效手段之一，近年来电动汽车的保有量呈爆发式增长。近年来，电动汽车的制造技术不断提高，制造成本也不断降低，电动汽车的推广逐渐受到了政府的重视和民众的关注。随着电动汽车渗透率的不断提高，其充电和运行有可能为电力系统和交通系统的安全与经济带来负面的影响甚至挑战。因此，作为对充电站进行规划与调度的前提，需要对电动汽车充电设施接入配电网的负荷进行正确的预测，从而实现对充电设施接入配电网的影响评价和业扩评估。
[0003]传统的充电设施负荷预测方法有以下几种：
①
基于能量守恒原理进行负荷预测，将加油站的售油量等效变换为充电站的售电量，并采用等负荷距离法进行分配；
②
以出行链作为基本单元，利用时间、空间和电量等特征量来描述电动汽车的充电和运行状态，以得到充电设施负荷的时空分布；...

【技术保护点】

【技术特征摘要】
1.基于多层优化核极限学习机的充电设施负荷预测方法，其特征在于，包括：构建电动汽车充电负荷影响因素集合，并基于历史数据形成样本数据；对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗，获取充电站正常运行期间的历史数据集；归一化获取到的充电站正常运行期间的历史数据集；对归一化后的充电站正常运行期间的历史数据集进行特征提取，得到特征数据；构建多层优化核极限学习机负荷预测模型；通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练；通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。2.根据权利要求1所述的基于多层优化核极限学习机的充电设施负荷预测方法，其特征在于，所述电动汽车充电负荷影响因素包括电动汽车历史充电数据、充电站交通流量、气象情况、电动汽车保有量、充电站周边基础设施情况；其中，所述电动汽车历史充电数据包括每辆电动汽车的充电电量、充电时间、充电功率、电池容量；所述气象情况包括温度、降水量、天气。3.根据权利要求1所述的基于多层优化核极限学习机的充电设施负荷预测方法，其特征在于，进行特征提取包括：电动汽车充电负荷影响因素时序变量组成二维向量，利用卷积核对二维向量进行卷积运算，得到特征映射向量，即特征数据。4.根据权利要求1所述的基于多层优化核极限学习机的充电设施负荷预测方法，其特征在于，通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练具体包括：A1、设置隐含层初始值n＝0；A2、n＝n+1；A3、通过编码器生成正交随机输入层权重和隐含层偏置，包括公式：(1)式中：W、B和I分别表示输入权重矩阵、隐含层阈值矩阵和单位矩阵；A4、通过解码器求解输出层权重β：H＝G(WX+B)
ꢀꢀꢀ
(2)(2)、(3)式中，H和X分别表示隐含层的输出矩阵和输入矩阵，G(
·
)表示激活函数，λ表示正则化系数；A5、将输出层权重的转置作为原网络结构输入层权重，包括公式：：H
p
＝G((β
p
)
T
H
p
‑1)
ꢀꢀꢀꢀ
(4)(4)式中，H
p
表示第p层隐含层的输出矩阵，第p
‑
1层隐含层的输出矩阵H
p
‑1作为第p层的输入；A6、判断n是否少于N
‑
1，若是，则返回步骤A2，否则，否则进入步骤A7；
A7、基于优化核极限学习机训练第N层核参数和正则化系数：Ω
ELM
＝HH
...

【专利技术属性】
技术研发人员：莫文雄，许中，彭和平，王勇，王莉，黄奕俊，栾乐，吴任博，钏星，马智远，王海靖，范伟男，肖天为，刘田，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：