国网陕西省电力有限公司电力科学研究院
Published:2025
移动端阅览
[J]. 2025, (2): 67-74.
DOI:
[J]. 2025, (2): 67-74. DOI:
为提高区域级电动汽车负荷预测精度,考虑了历史负荷数据自身的内在联系以及天气因素所带来的波动影响,提出一种基于麻雀搜索算法的双向门控循环单元(bidirectional gaterecurrentunit
BiGRU)-卷积神经网络(convolutional neural network
CNN)的电动汽车短期负荷预测模型。构建BiGRU-CNN模型,并应用麻雀搜索算法(sparrowsearch algorithm
SSA)对BiGRU神经网络参数进行优化;利用BiGRU神经网络充分学习历史负荷数据的前、后向联系,采用CNN对历史负荷数据进行局部优化,并通过全连接层进行预测;考虑到天气数据内部规律性不强,采用BiGRU-CNN神经网络对天气数据所带来的负荷波动进行误差预测和修正。以陕西某区域电动汽车充电站为例,分别预测预见期为4 h和24 h的电动汽车负荷,实验结果表明,所提模型无论在工作日还是双休日都具有很高的预测精度,验证了所提方法的有效性。
锁军,李龙,贺瀚青,张钰声,张雨.考虑交通路况的电动汽车充电负荷预测[J].电网与清洁能源,2022(10).
杨胡萍,余阳,汪超,李向军,胡奕涛,饶楚楚.基于VMD-CNN-BIGRU的电力系统短期负荷预测[J].中国电力,2022(10).
王华彪,李小勇.基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究[J].电网与清洁能源,2022(06).
任建吉,位慧慧,邹卓霖,侯庭庭,原永亮,沈记全,王小敏.基于CNN-BiLSTM-Attention的超短期电力负荷预测[J].电力系统保护与控制,2022(08).
张淑清,李君,姜安琦,黄娇,刘海涛,艾洪克.基于FPA-VMD和BiLSTM神经网络的新型两阶段短期电力负荷预测[J].电网技术,2022(08).
申伟,陆敏恂.中国新能源汽车产业的发展现状与展望[J].汽车实用技术,2020(22).
李磊,赵新,李晓辉,刘伟东,刘小琛,冯炜.基于动态交通信息的电动汽车充电需求预测模型及其对配网的影响分析[J].电网与清洁能源,2020(03).
陈丽丹,张尧,Antonio FIGUEIREDO.电动汽车充放电负荷预测研究综述[J].电力系统自动化,2019(10).
胡欣球,马立新.VMD-LSTM算法在短期负荷预测中的应用[J].电力科学与工程,2018(06).
陈卓,孙龙祥.基于深度学习LSTM网络的短期电力负荷预测方法[J].电子技术,2018(01).
宋人杰,边奕心,闫淼.基于小波系数和BP神经网络的电力系统短期负荷预测[J].电力系统保护与控制,2009(15).
0
Views
412
下载量
CSCD
Publicity Resources
Related Articles
Related Author
Related Institution