基于集成学习的电动汽车充电站超短期负荷预测
李恒杰, 朱江皓, 傅晓飞, 方陈, 梁达明, 周云
Ultra-Short-Term Load Forecasting of Electric Vehicle Charging Stations Based on Ensemble Learning
LI Hengjie, ZHU Jianghao, FU Xiaofei, FANG Chen, LIANG Daming, ZHOU Yun
上海交通大学学报 . 2022, (8): 1004 -1013 .  DOI: 10.16183/j.cnki.jsjtu.2021.486
_概率密度函数概率密度函数

概率密度函数

文章位置

近年来,基于机器学习的电力系统负荷预测方法因其越来越高的精度,已成为负荷预测领域的热点.文献[7]通过条件生成式对抗网络(Conditional Generative Adversarial Network, CGAN)对抗学习复杂的非线性数据之间的联系,减少了特征值的偏差,提高了预测精度,但训练数据仅包含单一类型数据,缺少泛化能力.文献[8]结合降噪自编码器、奇异谱分析和长短期记忆神经网络构建综合电力预测模型,降低了噪声干扰,提高了预测精度,但模型较为复杂,对平台算力有较高要求.文献[9]使用反向传播网络人工神经网络(Back Propagation-Artificial Neural Network, BP-ANN)提取数据特征向量,卷积神经网络(Convolutional Neural Networks, CNN)提取图像特征,通过多层BP-ANN进行短期预测,但模型训练时间过长,难以部署.文献[10]将改进的随机森林与密度聚类组合,通过叠加各分量预测值来获取负荷预测值,但模型构建复杂,泛化能力较低.文献[11]构建道路模型,通过Dijkstra路径寻优算法在出行链上预测电动汽车(Electric Vehicle, EV)充电负荷概率密度函数,但时间尺度长,无法面对超短期的负荷预测.