【技術實現步驟摘要】
本專利技術涉及電動汽車，尤其是涉及一種基于極限學習機的電動汽車負荷概率化短期預測方法。
技術介紹
1、近年來，隨著環保意識的增強和技術的不斷進步，電動汽車以其無污染、零排放、低噪音等諸多優點成為各國市場青睞的焦點。雖然距離完全替代傳統燃油車還存在一定的時間，但在全球“碳中和”的大趨勢下，電動汽車的替代進程將持續推進。然而，電動汽車充電行為的隨機性給電網帶來了一系列挑戰。首先，充電行為的隨機性可能導致電網電能質量下降，特別是在高峰期，大量電動汽車同時進行充電可能引發電網負載過大，影響供電的穩定性和可靠性。
2、因此對電動汽車負荷的準確預測是有序調控的基礎，傳統的點預測并不能完全反應其負荷動態變化的情況，對電動汽車未來負荷進行概率化預測可以給電力供應方提供更多的不確定信息，采用極限學習機進行電動汽車負荷概率化預測具有訓練速度快、泛化能力強、近似能力強以及可解釋性強等優點，可以有效地提高預測的準確性和可靠性。
技術實現思路
1、本專利技術提供一種基于極限學習機的電動汽車負荷概率化短期預測方法，對影響電動汽車負荷日充電量的因素進行量化并篩選，構建極限學習機預測模型，根據模型訓練集的預測值和真實值的殘差標準差及所選擇的置信水平，計算置信區間的上界和下界，對電動汽車短期負荷進行概率化預測。
2、本專利技術提供了一種基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，包括以下步驟：
3、篩選影響電動汽車負荷日充電量的因素，對所需數據進行量化和歸一化處理
4、基于輸入特征數量和極限學習機的不同隱藏層神經元驗證結果，構建極限學習機預測模型；
5、采用所選相關因素的歸一化歷史數據對極限學習機預測模型進行訓練，根據模型訓練集的預測值和真實值的殘差標準差及所選擇的置信水平，計算置信區間的上界和下界；
6、采用所選相關因素的數據對極限學習機預測模型進行輸入，對電動汽車未來負荷進行預測，并根據置信區間的上界和下界獲得電動汽車負荷概率化預測結果。
7、進一步的，所述采用皮爾遜相關性系數篩選其中的相關因素，包括：
8、提取收集和電動汽車歷史負荷數據同時間下的溫度，天氣及日類型數據，對其進行量化歸為日平均溫度，天氣及日類型的量化數值，并選取電動汽車日前同時刻負荷，利用皮爾遜相關系數作為篩選依據，提取與電動汽車負荷具有相關性性的特征數據作為模型輸入。
9、進一步的，選擇n個變量x1，x2...xn，時間段t0～t，數據采樣周期t，時滯范圍δt，時移步長δt；
10、繪制出各變量的時間序列曲線，包括分別繪制與集中繪制兩種模式，可通過按鈕切換；
11、計算出各變量兩兩之間的相關系數及其對應的時滯構成相關系數矩陣rp和時滯矩陣rδt；
12、基于數據分析及可視化工具，繪制出相關矩陣圖，能夠與變量曲線聯動，從而獲得影響電動汽車負荷日充電量最相關的因素。
13、進一步的，各變量兩兩之間的相關系數的計算過程為：對于兩個向量x＝(x1，...，xn)和y＝(y1，...，yn)；
14、
15、其中，n為向量維度，和分別是向量x和y的均值。
16、進一步的，時滯通過以下方式獲得：
17、對于每兩個變量的向量，在時滯范圍δt時間內每次移動δt并計算對應的兩向量之間的皮爾遜相關系數，總共移動δt/δt次，選擇其中絕對值最大的作為考慮時滯因素的相關性系數，移動的時間作為時滯。
18、進一步的，所述不同隱藏層神經元驗證結果，包括：
19、以隱藏層節點數目對模型預測精度的影響為依據，對隱藏層節點數目進行范圍遍歷，隱藏層節點數目超過一定閾值時，極限學習機預測模型將具有穩定的泛化性能，選擇稍大于閾值的隱藏層節點數目，保證所述模型的泛化能力及模型的復雜度較低。
20、進一步的，所述根據模型訓練集的預測值和真實值的殘差標準差及所選擇的置信水平，包括：
21、利用所述訓練得到的極限學習機預測模型，采用訓練集數據作為所述預測模型的輸入，得到所述預測模型其訓練集數據的預測結果，得到其和訓練集目標數據的殘差，并作標準差，其殘差公式如下：
22、rd＝y1-y0
23、其中，y1為訓練集中真實記錄的數據；y0為所述預測模型根據訓練集輸入所得到的預測值；rd為所述訓練集中的真實記錄數據和模型預測所輸出數據的殘差。
24、對所得殘差的標準差處理，其公式如下：
25、
26、其中，n為訓練集中樣本數量；μ為所述殘差的均值；s為所述殘差的標準差。
27、進一步的，所述計算置信區間的上界和下界，其公式為：
28、uα(xi)＝y0(xi)+nor(1-α/2)·s
29、lα(xi)＝y0(xi)-nor(1-α/2)·s
30、其中，uα為所述概率預測的置信區間上界；lα為所述概率預測的置信區間下界；xi為所輸入預測模型的第i個樣本；nor為標準正態分布的分位數返回值；α為所選定的置信水平。
31、進一步的，所述對電動汽車未來負荷進行預測，包括：
32、采用所選特征的相關數據，對預測模型進行輸入得到相應的預測值，并基于所構造置信區間的上界和下界，得到基于極限學習機的電動汽車負荷概率化預測結果。
33、本專利技術提供一種基于極限學習機的電動汽車負荷概率化短期預測方法，首先對影響電動汽車負荷日充電量的因素進行量化并篩選，而后基于輸入特征數量和極限學習機的不同隱藏層神經元驗證結果構建極限學習機預測模型，根據模型在訓練集的預測值和真實值的殘差標準差及所選擇的置信水平，計算置信區間的上界和下界，對電動汽車未來的短期負荷變化情況進行概率化預測，為電動汽車負荷的有序調控提供依據，有利于保證電網側的運維管理。
本文檔來自技高網...【技術保護點】
1.一種基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，所述采用皮爾遜相關性系數篩選其中的相關因素，包括：
3.如權利要求2所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，選擇n個變量x1，x2...xn，時間段t0～t，數據采樣周期T，時滯范圍ΔT，時移步長Δt；
4.如權利要求3所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，各變量兩兩之間的相關系數的計算過程為：
5.如權利要求4所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，時滯通過以下方式獲得：
6.如權利要求1所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，不同隱藏層神經元驗證結果，包括：
7.如權利要求1所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，所述根據模型訓練集的預測值和真實值的殘差標準差及所選擇的置信水平，包括：
8.如權利要求
9.如權利要求1所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，所述對電動汽車未來負荷進行預測，包括:
10.一種計算機可讀存儲介質，其特征在于，所述存儲介質中包括至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由處理器加載并執行以實現如權利要求1-6任一項所述的基于極限學習機的電動汽車負荷概率化短期預測方法。
...【技術特征摘要】
1.一種基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，所述采用皮爾遜相關性系數篩選其中的相關因素，包括：
3.如權利要求2所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，選擇n個變量x1，x2...xn，時間段t0～t，數據采樣周期t，時滯范圍δt，時移步長δt；
4.如權利要求3所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，各變量兩兩之間的相關系數的計算過程為：
5.如權利要求4所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其特征在于，時滯通過以下方式獲得：
6.如權利要求1所述的基于極限學習機的電動汽車負荷概率化短期預測方法，其...
【專利技術屬性】
技術研發人員：陳識微，蔣魯軍，郎宏飛，陳元赫，趙國慶，朱華鋒，莫美琴，陳琴，郎菊芬，張大慶，
申請(專利權)人：杭州電力設備制造有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。