文档名：基于SSAVMDBiLSTM模型的充电站负荷预测方法
摘要：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(sparrowsearchalgorithm,SSA)优化变分模态分解(variationalmodedecomposition,VMD)算法结合双向长短期记忆(bidirectionallongshort-termMemory,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.
Abstract：Withthepopularityofelectricvehicles,thepressureonthesafeandstableoperationofthepowergridisincreasing.Inordertodevelopandimplementanefficientdemandresponsestrategy,short-termloadpredictionofchargingstationsisparticularlyimportant.However,inviewoftheunstablechangesofthepowerloadofchargingstationsandthemanyinfluencingfactors,theexistingmethodslacknoiseseparationandsmoothdecompositionoftheloaddataandtargetedanalysisofthedecomposedloaddata.Inordertofurtherimprovetheforecastingaccuracyofchargingstationload,thispaperpresentsashort-termloadpredictionmethodbasedonsparrowsearchalgorithm(SSA)optimizationvariationalmodedecomposition(VMD)algorithmcombinedwithbidirectionallongshort-termmemoryneuralnetwork(BiLSTM).Firstly,theSSAalgorithmisusedtooptimizeVMDparameters,andthentheunsteadyloaddataisdecomposedintoaperiodicprincipalcomponentinnoiseconcentrationandmultiplesmoothperiodiccomponentsthroughVMD.Inviewofthedifferentdependenceofthetwocomponentdatabeforeandafter,multipleperiodiccomponentsaredirectlybasedonhistoricaldataandcombinedwithBiLSTMmodelmethodforloadprediction.Fortheaperiodicprincipalcomponentinthenoiseconcentration,thepaperconsiderstheuncertaintyofloadchange,analyzesthemainexternalcausesandmakesthepredictionbasedonthecharacteristicfactordataandBiLSTMmodelmethod.Finally,thecomprehensivepredictionresultsareobtainedbymeansofresultreconstruction.Theproposedmethodiscomparedwithothermodelsbyexampleanalysis,consideringtheerrorevaluationparameters,toverifyithashigheraccuracyandreliability.
作者：林彦旭 高辉Author：LINYanxu GAOHui
作者单位：南京邮电大学自动化学院/人工智能学院,江苏南京210003
刊名：广东电力 ISTICPKU
Journal：GuangdongElectricPower
年，卷(期)：2024, 37(6)
分类号：TM715.1
关键词：充电站负荷 短期负荷预测 变分模态分解 麻雀搜索算法 双向长短期记忆神经网络
Keywords：chargingstationload short-termloadforecasting variationalmodedecomposition(VMD) sparrowsearchalgorithm bidirectionallongandshortmemoryneuralnetwork
机标分类号：TM715TP391.41X522
在线出版日期：2024年7月19日
基金项目：国家自然科学基金，国家电网公司总部科技项目基于SSA-VMD-BiLSTM模型的充电站负荷预测方法[
期刊论文] 广东电力--2024, 37(6)林彦旭 高辉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...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于SSA-VMD-BiLSTM模型的充电站负荷预测方法 Load Prediction Method of Charging Station Based on SSA-VMD-BiLSTM Model
基于SSA-VMD-BiLSTM模型的充电站负荷预测方法.pdf
- 文件大小:
- 1.67 MB
- 下载次数:
- 60
-
高速下载
|
|
