基于SSA-VMD-BiLSTM模型的充电站负荷预测方法

随着电动汽车的普及,维护电网安全稳定运行的压力越来越大,为制定实施高效的需求响应策略,充电站的短期负荷预测尤为重要。然而针对充电站电力负荷变化不稳定、影响因素多的问题,现有方法缺乏对负荷数据的噪声分离和平滑分解以及对分解后的负荷数据进行针对性分析,为进一步提高充电站负荷预测精度,提出一种基于麻雀搜索算法(sparrow search algorithm,SSA)优化变分模态分解(variational mode decomposition,VMD)算法结合双向长短期记忆(bidirectional long short-term Memory,BiLSTM)神经网络的短期负荷预测方法。首先利用SSA算法优化VMD的参数,再通过VMD将不平稳的负荷数据分解成噪声集中的非周期性主分量和多个平滑的周期性分量;鉴于2种分量数据前后依赖性的不同,对多个周期性的分量直接基于历史数据结合BiLSTM模型方法进行负荷预测;对噪声集中的非周期性的主分量,考虑其负荷变化的不确定性,分析主要外部原因,基于特征因素数据结合BiLSTM模型方法进行预测。最后通过结果重构的方式得到综合预测结果。通过算例分析,考虑误差评估参数将所提方法与其他模型方法进行对比,验证所提方法具有更高的精确度、可靠性。

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题,提出一种基于图时空神经网络(Graph Spatiotemporal Neural Network,GSTNN)模型的多充电站负荷协同预测方法。定义时空信息图,描述充电站负荷之间的时空关系;构建时空特征提取网络,分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息,并使用长短期记忆网络(Long Short Term Memory Networks,LSTM)挖掘影响负荷预测的外部特征信息;融合提取的所有特征,进行负荷预测。算例结果表明,基于GSTNN模型的方法能充分考虑时空特征和外部特征的影响,协同多个充电站的负荷数据进行预测,并同时输出各充电站的预测结果,有效提高预测准确度,有助于电网稳定运行。

基于分时电价的电动汽车充电负荷引导方案

在城市路网–电网耦合的背景下,使用出行链来描述电动汽车的时空分布,然后通过前景理论和logit模型描述电动汽车车主的充电决策方案。将不同的充电方式统一于混合充电模式,以最小化各充电站的日充电量波动和日充电负荷功率波动为目标,建立模型。算例分析结果表明,电价引导方案可以有效平衡各充电站的日充电量和日充电负荷分布。