針對(duì)EV（electricvehicle,電動(dòng)汽車）短期負(fù)荷數(shù)據(jù)中異常數(shù)據(jù)造成預(yù)測(cè)偏差,提出順序分支篩選法結(jié)合Elman的EV短期負(fù)荷預(yù)測(cè)方法,簡(jiǎn)稱SBF-Elman（Sequentialbranch filtering-Elman）。首先分析EV短期負(fù)荷預(yù)測(cè)研究現(xiàn)狀和影響EV充電負(fù)荷因素,介紹了SBF-Elman應(yīng)用于負(fù)荷預(yù)測(cè)原理,構(gòu)建了EV等效負(fù)荷模型,求得等效負(fù)荷序列。選取廣東省某市2018年5月份的EV的負(fù)荷數(shù)據(jù)和構(gòu)建的等效負(fù)荷序列,進(jìn)行Elman訓(xùn)練和預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該方法規(guī)避了原始負(fù)荷中的因突發(fā)事件所產(chǎn)生的異常數(shù)據(jù)造成的預(yù)測(cè)偏差,預(yù)測(cè)精度提高了3%,預(yù)測(cè)時(shí)間提高2.13s,為EV優(yōu)化調(diào)度的工作奠定了基礎(chǔ)。 

【文章來源】：制造業(yè)自動(dòng)化. 2020,42(10)CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

影響EV因素SBF篩選原理圖

Elman-NN是Elman在1990年提出的動(dòng)態(tài)回歸雙層網(wǎng)絡(luò)，如圖2所示它分為四層：輸入層、隱含層、承接層和輸出層。輸入層是用來傳遞信息，隱含層就是把輸入數(shù)據(jù)的特征抽象到另一個(gè)維度空間，將所呈現(xiàn)出來的特征進(jìn)行線性劃分。承接層是用來記憶隱含層上一時(shí)刻的輸出值，并在作為輸入返給隱含層，這一自聯(lián)方式加強(qiáng)了網(wǎng)絡(luò)本身處理信息的能力，從而實(shí)現(xiàn)動(dòng)態(tài)建模。在傳統(tǒng)的負(fù)荷預(yù)測(cè)中的人工神經(jīng)網(wǎng)絡(luò)是一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，屬于靜態(tài)網(wǎng)絡(luò)，EV負(fù)荷預(yù)測(cè)是一個(gè)動(dòng)態(tài)系統(tǒng)，因?yàn)殪o態(tài)網(wǎng)絡(luò)不能準(zhǔn)確地反映系統(tǒng)的動(dòng)態(tài)特性，利用動(dòng)態(tài)遞歸Elman神經(jīng)網(wǎng)絡(luò)來進(jìn)行EV短期負(fù)荷預(yù)測(cè)，更能準(zhǔn)確地反映EV短期負(fù)荷的動(dòng)態(tài)特性，因此采用Elman-NN建立EV短期負(fù)荷預(yù)測(cè)模型。3 SBF-Elman預(yù)測(cè)模型算法及流程

其中w可代表輸入層、隱含層或輸出層的權(quán)值，對(duì)于輸出層、隱含層和承接層內(nèi)部的權(quán)值更新與優(yōu)化的鏈?zhǔn)椒▌t的推導(dǎo)這里不再贅述。以上闡明了SBF-Elman預(yù)測(cè)模型的基于誤差的權(quán)值優(yōu)化過程，也是Elman-NN訓(xùn)練的過程。圖3是該預(yù)測(cè)模型的流程圖。4 實(shí)驗(yàn)仿真

【參考文獻(xiàn)】：
期刊論文
[1]基于出行模擬的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型及V2G評(píng)估[J]. 李含玉,杜兆斌,陳麗丹,管霖,周保榮.  電力系統(tǒng)自動(dòng)化. 2019(21)
[2]考慮分布式光伏和電動(dòng)汽車接入的配電網(wǎng)空間負(fù)荷預(yù)測(cè)方法[J]. 靳現(xiàn)林,趙迎春,吳剛.  電力系統(tǒng)保護(hù)與控制. 2019(14)
[3]基于時(shí)刻充電概率的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法[J]. 王浩林,張勇軍,毛海鵬.  電力自動(dòng)化設(shè)備. 2019(03)
[4]基于改進(jìn)遺傳算法的BP神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)[J]. 王帥哲,王金梅,王永奇,馬文濤.  國(guó)外電子測(cè)量技術(shù). 2019(01)
[5]考慮發(fā)展不均衡的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)[J]. 余軍偉,孫云蓮,張笑迪.  電測(cè)與儀表. 2019(05)
[6]基于EEMD-SE和GARBF的短期電力負(fù)荷預(yù)測(cè)[J]. 高強(qiáng),李易隆,李大華,白梓璇.  電子技術(shù)應(yīng)用. 2019(01)
[7]電動(dòng)汽車充電對(duì)配電網(wǎng)電壓質(zhì)量的影響研究[J]. 呂金炳,宋輝,劉云,李國(guó)棟,劉創(chuàng)華,徐永海.  電測(cè)與儀表. 2018(22)
[8]電動(dòng)汽車用電負(fù)荷預(yù)測(cè)及對(duì)城市電網(wǎng)的影響[J]. 夏文芳.  農(nóng)村電氣化. 2018(11)
[9]基于時(shí)空分布負(fù)荷預(yù)測(cè)的電動(dòng)汽車充電優(yōu)化[J]. 周凌鋒,王杰.  現(xiàn)代電力. 2018(05)
[10]基于灰色神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)短期負(fù)荷預(yù)測(cè)[J]. 張浩,鄧步青,彭道剛,夏飛.  系統(tǒng)仿真技術(shù). 2018(01)



本文編號(hào)：3594690