[发明专利]一种改进的快换式公交充电站短期负荷预测方法

说明书

本发明公开了一种改进的快换式公交充电站短期负荷预测方法，所述预测方法包括以下步骤：步骤1：输入指标并对各输入指标进行数据预处理；步骤2：构建最小二乘支持向量机模型；步骤3：利用思维进化算法对最小二乘支持向量机模型的参数进行优化和预测。本发明通过思维进化算法对最小二乘支持向量机模型参数进行优化，取得的预测结果相比于基本最小二乘支持向量机模型和支持向量机模型。

技术领域

本发明涉及公交充电站负荷预测技术领域，特别是涉及改进的快换式公交充电站短期负荷预测方法。

背景技术

面对近年来日益加剧的能源危机与环境问题，低碳城市已成为世界各地的共同追求。随着低碳城市的不断建设，电动公交车作为低碳城市的重要特征获得了十分迅速的发展。但是充电站作为电动公交车重要的配套设施，其负荷表现出较大的波动性、随机性和间歇性，为电网的优化调度和安全运行带来了新的挑战。这说明对其进行负荷特征分析与短期负荷预测方法的研究具有重要意义，一方面，对于电力系统发电机组最优组合、经济调度、最优潮流及电力市场交易等有着重要的意义；另一方面，给充电站自身的建设规划、能量管理、有序充电及经济性运行等提供了决策依据。与此同时，还可以有力的保障和推进低碳城市的建设发展。因此，有必要以当前实际商业化运营中的快换式公交充电站为契机，研究快换式公交充电站短期负荷预测方法。

目前，国内外学者对快换式公交充电站短期负荷预测开展了多项研究，大致分为两个方面，分别是统计预测模型和智能预测模型。统计预测模型是以概率和统计理论为基础进行的预测，其中最为常用的是蒙特卡洛方法，蒙特卡洛(Monte Car l o)方法是一种以概率和统计理论为基础的随机模拟方法，它依据居民出行调查的交通行为数据库，对用户的行驶行为采用确定的概率分布函数进行拟合，建立具有随机概率特征的数学模型来预测汽车在未来时段的充电时间、地点以及负荷需求，但是此类方法受函数参数的影响,分布参数的选取较随机，容易出现拟合估计不准确的问题，预测精度低。

最小二乘支持向量机(LSSVM)方法利用最小二乘线性系统作为损失函数，避免了二次规划的过程，同时利用核函数将预测问题转化为方程组的求解，将不等式约束转化为等式约束，增加了预测的准确度和速度，但是最小二乘支持向量机模型仍然存在惩罚系数和核参数盲目选择的问题。

因此在人工智能技术快速发展的时代背景下，希望有一种改进的快换式公交充电站短期负荷预测方法运用智能预测模型来进行快换式公交充电站负荷预测以解决现有技术中的问题。

发明内容

思维进化算法(mind evolutionary computation，MEC)具有较高的求解效率和极强的全局优化能力。思维进化算法在遗传算法的基础上增加了“趋同”和“异化”两个操作算法，趋同和异化分别负责局部和全局寻优，极大的提升了算法的整体搜索效率和全局优化能力。

本发明公开了一种改进的快换式公交充电站短期负荷预测方法，所述预测方法包括以下步骤：

步骤1：输入指标并对各输入指标进行数据预处理；

步骤2：构建最小二乘支持向量机模型；

步骤3：利用思维进化算法对最小二乘支持向量机模型的参数进行优化和预测。

优选地,所述步骤1中的指标包括：日类型、当日最高气温、当日最低气温、天气类型、日累计充电车辆数和预测日前3天同一时刻的负荷值，其中日类型包括工作日和节假日。

优选地,对所述步骤1中当日最高气温、当日最低气温、日累计充电车辆数和预测日前3天同一时刻的负荷值进行公式(1)的归一化处理：

其中，x_i是实际值，x_min和x_max分别是样本数据的最小值和最大值，y_i为归一化处理后的负荷值。