0 引言

    近年來(lái)電動(dòng)汽車的保有量快速上升，電動(dòng)汽車規(guī)模化將對(duì)電網(wǎng)的輸電網(wǎng)絡(luò)、配電網(wǎng)絡(luò)、充電設(shè)施等多方面帶來(lái)影響^[1-8]，因此準(zhǔn)確的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)對(duì)于電網(wǎng)平穩(wěn)運(yùn)行具有重要意義。

    電動(dòng)汽車充電負(fù)荷預(yù)測(cè)是根據(jù)過(guò)去一段時(shí)間的用電負(fù)荷及日期類型等相關(guān)數(shù)據(jù)預(yù)測(cè)未來(lái)一段時(shí)間的用電負(fù)荷^[9]，構(gòu)建準(zhǔn)確的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型不僅有利于電網(wǎng)對(duì)充電站的充電負(fù)荷進(jìn)行調(diào)度與管理，也有利于充電站制定科學(xué)的運(yùn)營(yíng)計(jì)劃。不少國(guó)內(nèi)外學(xué)者從用戶端及車端出發(fā)對(duì)電動(dòng)汽車的充電負(fù)荷預(yù)測(cè)展開(kāi)了研究^[10-18]，通過(guò)融合電動(dòng)汽車出行特征、用戶行為特點(diǎn)和道路交通狀況等因素，建立電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型。真實(shí)的充電過(guò)程與從車端仿真結(jié)果存在差異，所以從充電站端得到的負(fù)荷預(yù)測(cè)結(jié)果比車端更能真實(shí)反映電動(dòng)汽車充電對(duì)電網(wǎng)造成的影響。目前從充電站端對(duì)充電負(fù)荷進(jìn)行預(yù)測(cè)的相關(guān)研究較少，并多數(shù)是以深度學(xué)習(xí)算法構(gòu)建負(fù)荷預(yù)測(cè)模型，具有一定局限性，例如文獻(xiàn)[19]采用模糊聚類分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法建立電動(dòng)汽車充電負(fù)荷的短期預(yù)測(cè)模型，文獻(xiàn)[20]采用隨機(jī)森林與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法建立電動(dòng)汽車充電站短期負(fù)荷的預(yù)測(cè)模型，深度學(xué)習(xí)算法在輸入序列較長(zhǎng)時(shí)存在梯度消失問(wèn)題，模型無(wú)法克服對(duì)異常值敏感的缺點(diǎn)，導(dǎo)致模型預(yù)測(cè)準(zhǔn)確度變差。

    針對(duì)上述問(wèn)題，本文從充電站端的數(shù)據(jù)出發(fā)，通過(guò)挖掘電動(dòng)汽車充電負(fù)荷隨時(shí)間的變化規(guī)律，提取負(fù)荷影響因素作為模型的輸入特征。為了實(shí)現(xiàn)較高的負(fù)荷預(yù)測(cè)準(zhǔn)確度，本文采用數(shù)據(jù)挖掘比賽中表現(xiàn)優(yōu)異的XGBoost與LightGBM算法分別構(gòu)建負(fù)荷預(yù)測(cè)模型，再結(jié)合Stacking集成學(xué)習(xí)的策略，利用嶺回歸模型將XGBoost與LightGBM模型的輸出結(jié)果進(jìn)行融合之后再輸出。實(shí)驗(yàn)結(jié)果表明，XGBoost與LightGBM模型實(shí)現(xiàn)了較高的預(yù)測(cè)準(zhǔn)確度高，再采用Stacking集成學(xué)習(xí)方法將XGBoost與LightGBM模型的預(yù)測(cè)結(jié)果進(jìn)行融合后，模型的預(yù)測(cè)準(zhǔn)確度得到了進(jìn)一步提升。

本文詳細(xì)內(nèi)容請(qǐng)下載：http://m.jysgc.com/resource/share/2000004919。

作者信息：

吳  丹1，雷  珽1，李芝娟2，王  寧3，段  艷3

(1.國(guó)網(wǎng)上海市電力公司，上海200122；2.浦東供電公司，上海200122；3.同濟(jì)大學(xué) 汽車學(xué)院，上海201804)