【摘要】：在用電高峰期間,大量電動汽車集中充電將致使電網的負荷峰谷差明顯增加,造成配電網中局部過載情況,加重電力設備的運行負擔,對電力系統(tǒng)調峰調控造成困難。電動汽車充電站作為組成電力負荷的重要部分,對其進行負荷預測研究,對于電力系統(tǒng)的安全穩(wěn)定運行具有重要意義,也能為充電站自身提供相應功率數(shù)據(jù)支持。首先本文通過分析電動汽車充電站充電負荷的數(shù)據(jù)特征,選取充電站負荷特征類型。再利用選擇參數(shù)組合的方法,設計了基于線性、自定義多項式和徑向基核函數(shù)的支持向量回歸機充電站負荷預測模型,通過實際數(shù)據(jù)分析,選擇合適的特征數(shù)據(jù)和負荷數(shù)據(jù)進行算例實驗。針對支持向量回歸機模型參數(shù)過于依賴人為經驗選擇的問題,本文采用粒子群算法對支持向量回歸機模型參數(shù)進行優(yōu)選,并且對粒子群算法通過自適應調整慣性權重和加速系數(shù)進行綜合改進,構建了基于IPSO-SVR充電站負荷預測模型。經過算例分析,驗證綜合改進粒子群優(yōu)化模型的預測效果。其次,針對粒子群算法容易陷入局部最優(yōu)解區(qū)域的問題,本文引入網格搜索算法,利用其全局遍歷性特點,將網格大步距搜索方法與綜合改進粒子群算法相結合,提出一種網格粒子群優(yōu)化支持向量回歸機參數(shù)的尋優(yōu)方式,達到全局最優(yōu);構建基于GS_IPSO-SVR的充電站負荷預測模型,并通過與標準粒子群優(yōu)化和綜合改進粒子群優(yōu)化模型實驗結果比較,驗證網格粒子群優(yōu)化模型在電動汽車充電站負荷預測應用中的可行性和優(yōu)勢性。通過實驗,本文證明了徑向基核函數(shù)在構建基于支持向量回歸機的充電站負荷預測模型時具有類型優(yōu)勢。同時驗證了網格粒子群優(yōu)化模型可以有效地解決粒子群算法易陷入局部最優(yōu)解和網格搜索效率低的問題,GS的融入有效提升了粒子群的收斂精度,IPSO優(yōu)化保證了模型的運行效率和預測效果。因此,本文提出的GS_IPSO-SVR模型對充電站負荷預測具有一定的指導意義。
【學位授予單位】：西安科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TM715;TP18
【圖文】：

西安科技大學全日制工程碩士學位論文與溫度的相關性分析電動汽車充電站的充電負荷數(shù)據(jù)和相關運行數(shù)據(jù)分析得出，充電站具有很強的相關性[30]，與風速和濕度因素則相關不大。所以本文主型數(shù)據(jù)的主要考慮因素。當外部環(huán)境溫度出現(xiàn)較大變化差異時，絕擇開啟車載空調，致使消耗電量增加，增大充電站的負荷壓力。此，電動汽車電池的充電時間和充電特點也不同[31-32]，使充電負荷值出取西安市某電動汽車充電站 2013 年 6 月 27 日、7 月 4 日、7 月 11 型的三個日期，分析溫度對充電負荷的影響程度，得功率曲線如圖 2

表 2.2 充電站充電功率與日類型的關系日類型 最高充電功率均值/KW 平均充電功率均值/KW星期一 13826 12703星期二 14215 12686星期三 13502 12653星期四 13594 12661星期五 14642 12673星期六 15073 12967星期日 14820 12759可以看出，周末日的日最高充電負荷均值分別為 15073KW 和 14820均值分別為 12967KW 和 12759KW，從負荷數(shù)值看明顯高于工作日的值和平均充電功率均值，所以可以得出，電動汽車充電站在周末日產于工作日產生的充電負荷值。型對電動汽車充電站充電負荷的影響也不容忽視。本文對該電動汽車秋、冬四個季度中的充電功率曲線進行分析，結果如圖 2.2 所示。

通過控制粒子飛行速度，限制粒子的最大飛行距離，防止粒子飛出搜索范圍。具體如式 4.6 所示。max maxmin min(1 ( ) ) , (1 ( ) )(1 ( ) ) , (1 ( ) )k ki ik ki it tv v v vT Tt tv v v vT T （4.6其中maxv 表示粒子最大飛行速度，k 取 0.05，t 是當前迭代次數(shù)，T 是最大迭代次數(shù)根據(jù)式 4.6 分析可得，當?shù)_始時 值較小，粒子飛行速度處于較大的范圍區(qū)隨著迭代的連續(xù)進行，粒子速度變小，將在較小范圍內搜索，總體上實現(xiàn)算法的整，使得粒子能夠精確地接近最優(yōu)解。4 改進算法性能實驗對比選用 Ackley 函數(shù)作為適應度函數(shù)，驗證改進算法性能，函數(shù)圖形如圖 4.2 所示。如式 4.7 所示：21 11 1( ) 20 20 exp( 0.2 ) exp( cos(2 ))n ni ii if x e x xn n （4.7）

【參考文獻】

相關期刊論文 前10條

1 趙超;戴坤成;;基于自適應加權最小二乘支持向量機的短期電力負荷預測[J];信息與控制;2015年05期

2 王東;史曉霞;尹交英;;不同核函數(shù)的支持向量機用于空調負荷預測的對比研究[J];電工技術學報;2015年S1期

3 于雷;湯慶峰;張建華;;基于負荷資源分類建模和啟發(fā)式策略的家居型微電網優(yōu)化運行[J];電網技術;2015年08期

4 王愷;關少卿;汪令祥;王鼎奕;崔W

本文編號：2773291