基于相似周和模态分解的融合模型电动汽车负荷预测

叶永盛; 徐燕龙; 李阳; 严芳芳; 黎丽丽; 黄江华

doi:10.13335/j.1000-3673.pst.2024.0225

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于相似周和模态分解的融合模型电动汽车负荷预测

支撑碳达峰、碳中和的能源电力关键技术 | 更新时间：2025-12-03

- 基于相似周和模态分解的融合模型电动汽车负荷预测
- 基于相似周和模态分解的融合模型电动汽车负荷预测
- 电网技术 2025年49卷第5期页码：1910-1919
- 作者机构：
  
  1. 三峡大学电气与新能源学院
  2. 湖北省石墨增材制造技术装备工程研究中心(三峡大学)
  3. 安徽工程大学人工智能学院
  4. 湖北省输电线路工程技术研究中心(三峡大学)
  5. 浙江科技大学机械与能源工程学院
- 作者简介：
- 基金信息：
  
  2022年产业技术基础公共服务平台项目(2022-232-223)~~
- DOI：10.13335/j.1000-3673.pst.2024.0225
  中图分类号： TM715;U491.8
- 纸质出版：2025
- 稿件说明：
移动端阅览
叶永盛, 徐燕龙, 李阳, 等. 基于相似周和模态分解的融合模型电动汽车负荷预测[J]. 电网技术, 2025,49(5):1910-1919.

叶永盛, 徐燕龙, 李阳, et al. 基于相似周和模态分解的融合模型电动汽车负荷预测[J]. 2025, 49(5): 1910-1919.
叶永盛, 徐燕龙, 李阳, 等. 基于相似周和模态分解的融合模型电动汽车负荷预测[J]. 电网技术, 2025,49(5):1910-1919. DOI： 10.13335/j.1000-3673.pst.2024.0225.

叶永盛, 徐燕龙, 李阳, et al. 基于相似周和模态分解的融合模型电动汽车负荷预测[J]. 2025, 49(5): 1910-1919. DOI： 10.13335/j.1000-3673.pst.2024.0225.

摘要

随着电动汽车的快速发展，其带来的庞大随机负荷对配电网的安全稳定运行带来了挑战。针对电动汽车负荷数据存在非线性和特征不明显等特点，提出了一种基于相似周和模态分解的融合模型电动汽车负荷预测方法。首先，使用皮尔逊相关系数和动态时间规整(dynamic time warping

DTW)筛选出的相似周和特征组成相似周负荷序列。然后，使用自适应噪声完备集合经验模态分解(complete ensemble empirical moded ecomposition with adaptive noise

CEEMDAN)将相似周负荷序列分解为高频和低频分量，高频分量输入到卷积神经网络(convolutional neural network

CNN)-门控循环网络(gate recurrent unit

GRU)模型，低频分量输入到核极限学习机(kernel extreme learning machine

KELM)模型，并使用改进的麻雀搜索算法(improved sparrow search algorithm

ISSA)优化网络模型的超参数。最后，将不同分量的预测结果求和，输出最终负荷预测序列。实验表明，所提方法有着较快的预测速度和较高的预测精度。

Abstract

关键词

Keywords

references

薛建凯.一种新型的群智能优化技术的研究与应用[D].东华大学,2020(01).

Imani Maryam.Electrical load-temperature CNN for residential load forecasting[J].Energy,2021.

Lai Chun Sing,Yang Yuxiang,Pan Keda,Zhang Jianjun,Yuan Haoliang,Ng Wing W. Y.,Gao Ying,Zhao Zhuoli,Wang Ting,Shahidehpour Mohammad,Lai Loi Lei.Multi-View Neural Network Ensemble for Short and Mid-Term Load Forecasting[J].IEEE TRANSACTIONS ON POWER SYSTEMS,2021.

Juncheng Zhu,Zhile Yang,Yuanjun Guo,Jiankang Zhang,Huikun Yang.Short-Term Load Forecasting for Electric Vehicle Charging Stations Based on Deep Learning Approaches[J].Applied Sciences,2019.

Amr A. Munshi,Yasser Abdel-Rady I. Mohamed.Unsupervised Nonintrusive Extraction of Electrical Vehicle Charging Load Patterns.[J].IEEE Trans. Industrial Informatics,2019.

Mo Zhou,Min Jin.Holographic Ensemble Forecasting Method for Short-Term Power Load.[J].IEEE Trans. Smart Grid,2019.

Xiao-Han Zhang,Qun-Xiong Zhu,Yan-Lin He,Yuan Xu.A novel robust ensemble model integrated extreme learning machine with multi-activation functions for energy modeling and analysis: Application to petrochemical industry[J].Energy,2018.

Mariz B. Arias,Sungwoo Bae.Electric vehicle charging demand forecasting model based on big data technologies[J].Applied Energy,2016.

Liang-Ying Wei.A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting[J].Applied Soft Computing,2016.

Sungwoo Bae,Alexis Kwasinski.Spatial and Temporal Model of Electric Vehicle Charging Demand.[J].IEEE Trans. Smart Grid,2012.

Bashash, S.,Fathy, H. K..Transport-Based Load Modeling and Sliding Mode Control of Plug-In Electric Vehicles for Robust Renewable Power Tracking[J].IEEE transactions on smart grid,2012.

谢明浩,张林鍹,董小刚,许晋闻.基于OVMD-HWOA-KELM模型的变压器油中溶解气体体积分数预测方法[J].高电压技术,2024(08).

祁宇轩,范俊岩,吴定会,汪晶.基于相似日与BiLSTM组合的短期电力负荷预测[J].控制理论与应用,2024(12).

姚芳,汤俊豪,陈盛华,董晓红.基于ISSA-CNN-GRU模型的电动汽车充电负荷预测方法[J].电力系统保护与控制,2023(16).

张大海,孙锴,和敬涵.基于相似日与多模型融合的短期负荷预测[J].电网技术,2023(05).

柯松,陈磊,杨军,吴赋章,范培潇,叶利.基于半动态交通流模型的电动汽车出行引导策略[J].电网技术,2023(08).

张美霞,徐立成,杨秀,吴子敬,张倩倩.基于电动汽车充电需求时空分布特性的充电站规划研究[J].电网技术,2023(01).

任惠,陈萍,韩璐,付文杰,王飞.共享电动汽车可调度容量时空预测[J].电网技术,2023(07).

邹智,吴铁洲,张晓星,张智敏.基于贝叶斯优化CNN-BiGRU混合神经网络的短期负荷预测[J].高电压技术,2022(10).

林顺富,詹银枫,李毅,李东东.基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法[J].电网技术,2022(05).

孙国强,徐广开,沈培锋,卫志农,陈胜,吕思,王徐延,张昊亮.规模化电动汽车负荷的柔性台区协同经济调度[J].电网技术,2020(11).

史佳琪,马丽雅,李晨晨,刘念,张建华.基于串行–并行集成学习的高峰负荷预测方法[J].中国电机工程学报,2020(14).

王毅,谷亿,丁壮,李松浓,万毅,胡晓锐.基于模糊熵和集成学习的电动汽车充电需求预测[J].电力系统自动化,2020(03).

蒋卓臻,向月,刘俊勇,朱嘉远,税月.集成电动汽车全轨迹空间的充电负荷建模及对配电网可靠性的影响[J].电网技术,2019(10).

舒畅,金潇,李自品,周杨俊冉,范淑薇.基于CEEMDAN的配电变压器放电故障噪声诊断方法[J].高电压技术,2018(08).

孔祥玉,郑锋,鄂志君,曹旌,王鑫.基于深度信念网络的短期负荷预测方法[J].电力系统自动化,2018(05).

孙辉,沈钟浩,周玮,胡姝博,马千,陈晓东,李春平,杨万青.电动汽车群响应的主动配电网阻塞调度研究[J].中国电机工程学报,2017(19).

刘文霞,徐晓波,周樨.基于支持向量机的纯电动公交车充/换电站日负荷预测[J].电力自动化设备,2014(11).

杨冰,王丽芳,廖承林.大规模电动汽车充电需求及影响因素[J].电工技术学报,2013(02).

郑竞宏,戴梦婷,张曼,王文倬,朱守真.住宅区式电动汽车充电站负荷集聚特性及其建模[J].中国电机工程学报,2012(22).

浏览量

835

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于有限混合模型的规模化电动汽车充电负荷在线预测方法

缓解LCC-HVDC与耦合直驱风电场系统强迫次同步振荡的参数优化策略研究

基于等效负荷实时电价和节点实时电价引导的电动汽车时空优化调度

基于改进滚动时域法的大规模电动汽车接入电网双层实时调度策略

基于混合整数线性规划的电动汽车充电引导优化策略