基于PSO-SNN的电动汽车充电站短期负荷预测模型研究

本文以某电动汽车充电站的实测充电功率数据和天气预报数据为理论依据,分析了电动汽车充电站的负荷特性。构建了基于粒子群优化脉冲神经网络的电动汽车充电站短期负荷预测模型,脉冲神经网络采用脉冲发放时间进行信息的编码及处理,具有计算能力强、信息容量大和实时性好的特点。通过仿真算例对比可知,本文提出的预测模型比传统BP-NN预测模型的预测误差在四个季节的测试日分别降低了8.59%、9.28%、12.06%和8.72%,证实所提出的模型具有较高的预测精度。

基于改进粒子群算法的风储联合系统多目标协同调度

为了平滑风电场输出功率的波动,提高风能的利用率,建立了以最小化风电出力波动和最大化风电场发电效益为优化目标的风储联合系统多目标调度模型。提出了基于虚拟理想粒子的多目标改进粒子群算法(particle swam optimization algorithm,PSO),并用该算法对模型进行了求解。算例仿真结果表明,所提方法可以有效平抑风电场输出功率的波动和提高联合系统的发电效益。

基于模糊控制与RBF-NN的电动汽车充电站短期负荷预测模型研究

电动汽车大量的充电负荷会冲击当地电网,为提高电动汽车充电站的负荷预测精度,提出了基于模糊控制在线修正RBF-NN短期负荷预测模型。该预测模型采用模糊控制原理对RBF-NN短期负荷预测模型的结果进行在线修正,与单一RBF-NN短期负荷预测模型相比,精度有了进一步的提高,证明了该预测模型的优越性。

基于云计算的智能电网短期负荷预测

随着智能电网的迅速发展,太阳能、风能等分布式电源大量接入电网,给传统电网带来巨大的挑战。智能电网中新技术的采用会对提高负荷预测精度有所帮助。为了适应智能电网,短期负荷预测技术需要与时偕行。提出了基于云计算的智能电网短期负荷预测系统,采用云计算技术对负荷预测系统加以改进,在预测速度与精度两个方面都有所改善。