CN116910637B - 基于改进的iga-rbf神经网络短期负荷预测方法 - Google Patents

基于改进的iga-rbf神经网络短期负荷预测方法 Download PDF

Info

Publication number
CN116910637B
CN116910637B CN202310343061.7A CN202310343061A CN116910637B CN 116910637 B CN116910637 B CN 116910637B CN 202310343061 A CN202310343061 A CN 202310343061A CN 116910637 B CN116910637 B CN 116910637B
Authority
CN
China
Prior art keywords
power
load
soc
charging
electric vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310343061.7A
Other languages
English (en)
Other versions
CN116910637A (zh
Inventor
张超
柴龙安
王志明
李玉敦
王震
宋海峰
王德栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310343061.7A priority Critical patent/CN116910637B/zh
Publication of CN116910637A publication Critical patent/CN116910637A/zh
Application granted granted Critical
Publication of CN116910637B publication Critical patent/CN116910637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于电力系统负荷预测技术领域，公开了基于改进的IGA‑RBF神经网络短期负荷预测方法。所述方法包括：构建用于电力系统短期负荷预测的IGA‑RBF神经网络模型；搭建电动汽车充放电模型，辨识出电动汽车负荷的充电功率与电池荷电状态的关系；利用调节充电功率获取电动汽车参与需求响应的降负荷潜力，分析单台电动汽车在不同影响因素下的降负荷潜力；对集群电动汽车的能源管理系统负荷进行预测，采用的改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量。本发明改进禁忌搜索算法解决了陷入局部最优的问题，方便更好地研究配电网中集群电动汽车负荷的需求响应。

Description

基于改进的IGA-RBF神经网络短期负荷预测方法
技术领域
本发明属于电力系统负荷预测技术领域，尤其涉及基于改进的IGA-RBF神经网络短期负荷预测方法。
背景技术
电动汽车的电池能量管理系统在改善配电网性能方面显示出了巨大潜力。积极引导电动汽车等负荷资源来发挥调峰作用，将其有效纳入电网进行优化控制，在充分利用挖掘电力潜力释放资源前提下，可为电网每年增加负荷调控资源总量相当可观。
当前针对电动汽车参与需求响应的研究都侧重于通过价格激励手段来引导用户用电，错开用电高峰，而没有具体研究电动汽车参与需求响应的潜力及影响因素。
通过上述分析，现有技术存在的问题及缺陷为：现有技术进行电力系统短期负荷预测中，预测效果准确度低，而且对电网负荷需求响应调度优化性能差；现有技术不能很快的找到电动汽车降负荷的最优位置，而且不能精确计算出所找到节点的最佳降负荷容量。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了基于改进的IGA-RBF神经网络短期负荷预测方法，本发明目的在于提出一种改进遗传算法-径向基函数(IGA-RBF)神经网络短期负荷预测模型，经与现有技术相对比，该模型具有更高地短期负荷预测精准度。
所述技术方案如下：基于改进的IGA-RBF神经网络短期负荷预测方法，其特征在于，该方法包括以下步骤：
S1，在RBF模型预测的基础上，利用改进遗传算法的进化寻优能力，构建改进的IGA-RBF神经网络模型，以电力系统负荷历史数据为基础，进行电力系统短期负荷预测；
S2，基于获取的电力系统短期负荷预测数据，搭建电动汽车充放电模型，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系；利用调节充电功率获取电动汽车参与需求响应的降负荷潜力，分析单台电动汽车在不同影响因素下的降负荷潜力；
S3，基于单台电动汽车在不同影响因素下的降负荷潜力结果，利用所述改进的IGA-RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测，并利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷；
S4，在降负荷潜力研究的前提下，采用改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量。
在步骤S1中，构建改进的IGA-RBF神经网络模型，包括以下步骤：
(1)对数据集进行初始化，对实验数据进行去噪和标准化处理，减少不合理数据对预测的影响并减小计算量；
(2)对训练数据集进行划分，将训练数据集划分成a和b两部分，其中b部分为选取训练集某日的数据，a部分为训练集中去除b部分的数据；
(3)利用GA生成初始种群，利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到分类中心，为隐藏层径向基函数的中心c；
(4)利用步骤(3)中隐藏层个数N，径向基函数的中心为Tk、方差σk构建RBF训练模型，对数据集进行训练，并利用负梯度下降法更新权重，直到精度满足要求或迭代次数达到最大值；
(5)利用训练好的RBF模型对训练集中待预测日进行预测，然后计算每个种群的适应度MAE；
如果条件没有停止，则对种群根据各自适应度进行选择交叉变异，然后利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到分类中心，即为隐藏层径向基函数的中心c；如果条件已经停止，则进入到下一个步骤(6)；
(6)按照训练结果选择种群中适应度最优的个体作为RBF的隐藏层层数N，对整个训练集数据进行训练，获取改进的IGA-RBF神经网络模型各参数，再对待预测日进行预测，获取待预测日的电力负荷数据。
在步骤S2中，搭建电动汽车充放电模型前，还需对用电负荷曲线进行预测，具体包括：
利用Matlab/Simulink软件，通过改进的IGA-RBF神经网络建立的负荷预测模型对训练数据进行训练，得到电动汽车充电速率变化比，该性能指标用于评价电动汽车降负荷能力，该性能指标定义为功率变化百分比与SOC增长斜率变化比的比值，得到：
式中，ΔP是功率P(t)的振幅变化，P0表示充电初始功率；ΔS为功率变化前后SOC增长斜率的振幅变化，S0为功率变化前SOC的增长斜率。
在步骤S2中，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系，包括：
利用系统辨识方法对系统的传递函数进行参数估计，分析充电功率P与电池的SOC的关系；利用遍历搜索法查找数组中的每一个元素，最终找出满足要求的功率最小值；
设定电池充电的初始剩余容量SOC0，充电初始功率P0，初始充电电流I0，充电t1时间，功率下降到Pn(n＝0,1,2,…)，充电电流也随之下降至In(n＝0,1,2,…)，二者之间的函数关系系数为β，则有如下关系式：
Pn＝β×In
式中，β是充电功率与SOC之间的关系系数，Pn是t1时间后的充电功率，In是t1时间后的充电电流；
进而得到充电t1时间内初始充电电流I0与充电时的SOC变化量的关系如下：
SOC(t1)＝G(z-1)×β×I0；
式中，SOC(t1)是在t1时刻SOC的值，G(z-1)是离散传递函数；β是充电功率与SOC之间的关系系数，I0是初始充电电流；
需求响应开始时间t1至充电结束时间t2这段时间内，电流由原来的I0减小为In进行充电，SOC变化量随电流In变化的情况如下式：
SOC(t2-t1)＝G(z-1)·β·In(0<In<I0)；
式中，SOC(t2-t1)是在t1时刻至t2时刻SOC的变化量，G(z-1)是离散传递函数；β是充电功率与SOC之间的关系系数，In是t1时间后的充电电流；
设置SOC充电完成边界值为N，电池充电时间t2时刻时电池SOC2大于N即充电完成，SOC2由下面等式表示：
SOC2＝SOC0+SOC(t1)+SOC(t2-t1)≥N；
式中，SOC2是电池充电时间t2时刻电池的荷电状态，SOC0是电池初始荷电状态，SOC(t1)是电池在t1时刻的荷电状态，SOC(t2-t1)是t1时刻至t2时刻SOC的变化量，N是SOC充电完成边界值。
在步骤S2中，分析单台电动汽车在不同影响因素下的降负荷潜力包括：
在Matlab/Simulink上建立电动汽车充电和放电系统的仿真模型，获取电池的SOC、电流、充电功率参考数据；
通过对该电动汽车充电和放电系统的仿真模型模拟充电，得到充电功率、充电电流与SOC的关系，在该电动汽车充电和放电系统的仿真模型中对电池输入合理的阶跃功率信号，得到电动汽车充电功率响应图、电动汽车充电电流与SOC响应图；
在电力系统中，当电网用电负荷过大时，对电网中的用电负荷进行控制，调节电动汽车的充电电流，减轻电网的用电压力，同时保证电动汽车在规定的时间内充电到协议离网SOC预定值。
在步骤S3中，利用所述改进的IGA-RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测包括：
利用SOC变化曲线，确定电动汽车功率随SOC所获得的轨迹，在运行约束下，通过电动汽车功率输出使整体负荷曲线趋于平坦；
对数据进行提取分析，编写数学目标函数：
e(t)＝Pf(t)×P(t)
式中，N是预测范围内的时间步数；参数Pf(t)、P(t)、e(t)分别是预测负荷功率、电动汽车输出功率以及在时间段t内预测负荷功率值与电动汽车输出功率值之间的误差；
得出电动汽车输出功率受SOC约束的表达式为：
式中，WE和Wt分别表示在时间步长t处的电动汽车容量和存储容量，Pmin和Pmax表示最小和最大电动汽车输出功率限值；Δt表示计划时间间隔；SOCmin和SOCmax表示最小和最大允许SOC值。
在步骤S3中，所述利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷包括：
定义Pm(t)为在时间t的功率平滑级别，则表示成如下组合：
式中，Pm(t)是在时间t的功率平滑级别，WE表在时间步长t处的电动汽车容量，Pm(t)前两个分量包括当前预测值和平均值，剩余的项代表与预定点的SOC偏差，用来消除SOC偏差；Pf(t+Δt)表示提前二十分钟的负荷预测，负责计算平滑级别，平滑级别在每个周期结束时更新；
利用最小化成本函数获得最佳的电动汽车功率：
利用当前负荷值，提前二十分钟的预测负荷可以得到参考发电功率：
PL(tk)＝(P(t)-Pf(t))+m(tk-t)
式中，m是发电功率曲线的修正量，m可由下式定义：
式中，g[SOC(t)]定义为电力负荷曲线修正更新量，P(t)是t时刻电池负荷的功率，Pf(t+Δt)表示提前二十分钟的负荷预测。
在步骤S4中，所述降负荷潜力研究包括：
对不同需求响应开始时刻的初始SOC下的降负荷情况分析，在需求响应持续时间和协议离网SOC预定值不变的情况下，初始SOC的变化，影响电动汽车的降负荷能力，需求响应开始时刻的初始SOC越小，降负荷潜力越小，反之，初始SOC值越大，降负荷潜力越大。
在步骤S4中，采用改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量，包括：在电动汽车负荷参与需求响应机理分析研究的基础上，在最大降负荷潜力以内，分析电动汽车负荷主动响应参与电网调度的模型，消除用电负荷高峰期电网中设备重载和过负荷，确定最佳的电动汽车负荷调度位置和降负荷容量。
所述电动汽车负荷主动响应参与电网调度的模型包括：
(1)对目标函数进行编写：对需求响应前后配电网络总损耗之差进行函数编写；对各节点电压偏移量进行函数编写；对负荷峰值进行函数编写；对配电网峰谷负荷差、各节点电压偏置之和、充电成本进行函数编写；
(2)对约束条件进行函数编写：对潮流方程约束、支路电流约束、节点电压约束条件、配电线路传输容量约束、电动汽车区域负荷削减容量约束、电动汽车电池充电容量限制、供电电源10kV出口处功率因素进行函数编写；
(3)对步骤(1)、步骤(2)编写的动态多目标进行选择，选择出电动汽车有序充电控制策略，计算出所找到节点的最佳降负荷容量。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明首先分析了IGA-RBF神经网络预测模型，对径向基函数的学习中心为Tk、方差σk、学习权值wkj进行提取，合理确定这些参数对于RBF神经网络性能的发挥至关重要。利用IGA算法的优越性，将IGA算法引入到RBF神经网络的参数中进行寻优，与传统的RBF模型的预测效果相对比，将IGA算法引入后得到的IGA-RBF神经网络预测模型具有更准确的预测结果和良好的泛化能力，并且将有效解决现有技术RBF神经网络训练时易陷入局部极值的问题。
本发明运用系统辨识方法辨识电池SOC(SOC指电池荷电状态)与充电功率之间的关系，采用遍历搜索法求出满足实际充电要求下的最小充电功率，从而分析电动汽车参与电网需求响应的能力，用于后续对电网的需求响应调节。
本发明提供一种基于IGA-RBF神经网络短期负荷预测的模型，进行电力系统短期负荷预测。IGA-RBF模型与传统RBF模型相比，IGA-RBF神经网络预测模型结合了改进遗传算法强大的进化寻优能力，具有更准确的预测效果和良好的泛化能力。便于下一步利用该方法进行电动汽车充电负荷预测进而对电网负荷进行需求响应调度优化。
本发明采用改进遗传算法强大的进化寻优能力，提出一种IGA-RBF神经网络短期负荷预测模型，进行电力系统短期负荷预测。本发明提出的IGA-RBF模型较传统的RBF模型相比，其具有更准确的预测结果和良好的泛化能力,IGA-RBF神经网络预测模型为充电负荷预测及对电网负荷进行需求响应调度优化提供了理论基础。
本发明所述的内容包括用户接受的协议离网SOC预定值越小、需求响应开始时刻的初始SOC值越大、电动汽车需求响应持续时间越长，电动汽车的降负荷潜力越大。电池能量管理系统下调峰平滑同步运行的方法有更好的削峰填谷能力。
本发明在降负荷潜力研究的前提下，为提高邻域搜索精度采用的改进的禁忌搜索算法，可以很快的找到电动汽车降负荷的最优位置，还能精确计算出所找到节点的最佳降负荷容量，仿真结果验证了改进禁忌搜索算法解决了陷入局部最优的问题，方便更好地研究配电网中集群电动汽车负荷的需求响应，便于下一步利用该方法进行电动汽车充电负荷预测进而对电网负荷进行需求响应调度优化。
本发明提出的IGA-RBF神经网络预测结合了改进遗传算法强大的进化寻优能力，因此其模型与RBF相比具有更准确的预测结果和良好的泛化能力，该方法可用于电动汽车负荷预测进而对电网负荷进行需求响应调度优化。
在降负荷潜力研究的前提下，采用的改进禁忌搜索算法可以提高邻域搜索精度，可以很快地找到电动汽车降负荷的最优位置，还能精确计算出所找到节点的最佳降负荷容量，仿真结果验证了改进禁忌搜索算法解决了陷入局部最优的问题，方便更好地研究配电网中集群电动汽车负荷的需求响应。
本发明的技术方案转化后，有利于积极引导电动汽车等负荷资源充分发挥调峰作用，利于将其有效纳入电网进行优化控制，在充分利用挖掘电力潜力释放资源前提下，可为电网每年增加负荷调控资源总量相当可观，为电网创造巨大的效益和价值。本发明的技术方案转化后，使售电服务企业获得准确的电力负荷预测的结果，实现对现货市场的售电产品的精确报价，减少不必要的经济损失，为售电企业创造巨大的收益和商业价值。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明实施例的实施例，并与说明书一起用于解释本发明实施例的原理；
图1是本发明实施例提供的基于神经网络的电动汽车参与电网需求响应调度优化方法流程图；
图2是本发明实施例提供的构建用于电力系统短期负荷预测的改进的IGA-RBF神经网络模型原理图；
图3是本发明实施例提供的遍历搜索法求充电电流最小值流程图；
图4是本发明实施例提供的一天各时段的预测误差与实际负荷之间的归一化误差图；
图5是本发明实施例提供的实际负荷与预测负荷曲线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
实施例1，如图1所示，本发明实施例提出一种基于神经网络的电动汽车参与电网需求响应调度优化方法(IGA-RBF神经网络短期负荷预测方法)，构建IGA-RBF神经网络，以电力系统负荷历史数据为基础，进行电力系统短期负荷预测，经对比验证该方法具有更高的精确性。
利用电力系统负荷预测的基础，搭建电动汽车充放电模型，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系；利用调节充电功率来分析电动汽车参与需求响应的降负荷潜力，分析单台电动汽车在不同影响因素下的降负荷潜力；
利用IGA-RBF神经网络对电动汽车能源管理系统负荷进行预测，分析两种电动汽车参与需求响应的方法(调峰平滑分步法和调峰平滑同步法)，经仿真比较调峰平滑同步法运行能更好地对电力系统负荷曲线进行削峰填谷；
最后，在降负荷潜力研究的前提下，为提高邻域搜索精度采用的改进的禁忌搜索算法，快速找到电动汽车降负荷的最优位置，而且精确计算出所找到节点的最佳降负荷容量，仿真结果验证了改进禁忌搜索算法的有效性，避免了陷入局部最优的问题。
实施例2，本发明实施例提供一种基于改进的IGA-RBF神经网络短期负荷预测方法，包括以下步骤：
S1，在传统RBF模型预测的基础上，利用改进遗传算法强大的进化寻优能力，构建改进的IGA-RBF神经网络模型，以电力系统负荷历史数据为基础，进行电力系统短期负荷预测；
可以理解，本发明基于改进遗传算法强大的进化寻优能力，提出一种IGA-RBF神经网络短期负荷预测模型，以电力系统负荷历史数据为基础，进行电力系统短期负荷预测。
S2，基于获取的电力系统短期负荷预测数据，搭建电动汽车充放电模型，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系；利用调节充电功率获取电动汽车参与需求响应的降负荷潜力，分析单台电动汽车在不同影响因素下的降负荷潜力；
S3，基于单台电动汽车在不同影响因素下的降负荷潜力结果，利用所述改进的IGA-RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测，并利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷；
S4，在降负荷潜力研究的前提下，采用的改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量。
如图2所示，在步骤S1中，构建用于电力系统短期负荷预测的改进的IGA-RBF神经网络模型包括以下步骤：
(1)对数据集进行初始化。对实验数据进行去噪和标准化处理，以减少不合理数据对预测的影响并减小计算量。并对训练数据集进行划分，划分成a和b两部分，其中b部分为选取训练集某日的数据，a为训练集中去除b部分的数据；
所述对实验数据进行去噪和标准化处理包括：指标一致化处理，此举主要解决数据之间不同性质的问题；无量纲化处理，目的是解决数据之间可比性的问题；极差标准化法用于消除变量量纲和变异范围影响的一种方法之一；Z-score标准化法，该方法主要是使数据符合标准正态分布；线性比例标准化法，包括极大化法、极小化法。
(2)利用GA生成初始种群，利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到分类中心，即为隐藏层径向基函数的中心c；
(3)利用步骤(2)中隐藏层个数N，径向基函数的中心为Tk、方差σk构建RBF训练模型，对数据集进行训练，并利用负梯度下降法更新权重，直到精度满足要求或迭代次数达到最大值；
(4)利用训练好的RBF模型对训练集中待预测日进行预测，然后计算每个种群的适应度，即MAE；
如果条件没有停止，则对种群根据各自适应度进行选择交叉变异，然后利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到分类中心，即为隐藏层径向基函数的中心c；如果条件已经停止，则进入到下一个步骤；
(5)按照训练结果选择种群中适应度最优的个体作为RBF的隐藏层层数N，对整个训练集数据进行训练，获取IGA-RBF神经网络模型各参数。最后对待预测日进行预测，获取待预测日的电力负荷数据。
在本发明实施例中，IGA-RBF神经网络短期负荷预测模型的分析。IGA-RBF模型和传统RBF模型的预测效果相比可知，IGA-RBF神经网络预测模型具有更准确的预测结果和良好的泛化能力，验证了本发明所提出的电力系统短期负荷预测模型的精确性，便于下一步利用该方法进行电动汽车充电负荷预测进而对电网负荷进行需求响应调度优化。
在本发明实施例中，步骤S2搭建电动汽车充放电模型前，还需对用电负荷曲线进行预测，具体包括：
利用Matlab/Simulink软件，通过改进的IGA-RBF神经网络建立的负荷预测模型对训练数据进行训练，得到电动汽车充电速率变化比，该性能指标用于评价电动汽车降负荷能力，该性能指标定义为功率变化百分比与SOC增长斜率变化比的比值，即：
ΔP是功率P(t)的振幅变化，P0表示充电初始功率；ΔS为功率变化前后SOC增长斜率的振幅变化，S0为功率变化前SOC的增长斜率。
在本发明实施例中，步骤S2搭建电动汽车充放电模型，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系；利用调节充电功率获取电动汽车参与需求响应的降负荷潜力，包括：
利用系统辨识方法对系统的传递函数进行参数估计，分析充电功率P与电池的SOC的关系；
利用遍历搜索法按照一定顺序查找数组中的每一个元素，最终找出满足要求的功率最小值；
设定电池充电的初始剩余容量SOC0，充电初始功率P0，初始充电电流I0，充电t1时间，功率下降到Pn(n＝0,1,2,…)，充电电流也随之下降至In(n＝0,1,2,…)，二者之间的函数关系系数为β，则有如下关系式：
Pn＝β×In
其中β是充电功率与SOC之间的关系系数，Pn是t1时间后的充电功率，In是t1时间后的充电电流。
进而得到充电t1时间内初始充电电流I0与充电时的SOC变化量的关系如下：
SOC(t1)＝G(z-1)×β×I0；
式中SOC(t1)是在t1时刻SOC的值，G(z-1)是离散传递函数；β是充电功率与SOC之间的关系系数，I0是初始充电电流。
需求响应开始时间t1至充电结束时间t2这段时间内，电流由原来的I0减小为In进行充电，SOC变化量随电流In变化的情况如下式：
SOC(t2-t1)＝G(z-1)·β·In(0<In<I0)；
式中SOC(t2-t1)是在t1时刻至t2时刻SOC的变化量，G(z-1)是离散传递函数；β是充电功率与SOC之间的关系系数，In是t1时间后的充电电流。
设置SOC充电完成边界值为N，电池充电时间t2时刻时电池SOC2大于N即充电完成，SOC2由下面等式表示；
SOC2＝SOC0+SOC(t1)+SOC(t2-t1)≥N；
式中SOC2是电池充电时间t2时刻电池的SOC(荷电状态)，SOC0是电池初始荷电状态，SOC(t1)是电池在t1时刻的荷电状态，SOC(t2-t1)是t1时刻至t2时刻SOC的变化量，N是SOC充电完成边界值。
更新电池SOC2,判断是否大于规定SOC边界值N，包括以下步骤：
利用系统辨识出的功率与SOC的离散传递函数、充电功率与充电电流之间的关系，构造SOC与充电电流的线性关系式；
利用初始化电池充电功率、充电电流、电池初始剩余容量SOC，需求响应起止时间，规定充电完成的SOC边界值N等参数；需求响应时的电流从取值范围内选取最大的一个；
选取电池需求响应下的充电电流的最大值，代入相关表达式，求出该时刻电池的SOC，判断其是否达到充满要求；
如果SOC超过充电边界值，记下此时的需求响应电流，电流依次递减单位数值代入到上一步；
如果满足结束条件，将该电流减少一个单位数值，不能达到充电要求；最终输出需求响应下的最小充电电流；
所述系统辨识方法根据系统的输入输出时间函数确定描述系统行为的数学模型，通过辨识建立数学模型估计表征系统行为的重要参数，建立能模仿真实系统行为的模型，用当前可测量的系统输入和输出预测系统输出的未来演变；所述系统辨识方法具体包括以下步骤：
建立充电功率与SOC的单输入单输出动态模型H1为：
SOC(t)＝G(z-1)P(t)
式中，SOC(t)是t时刻的SOC值(电池的荷电状态)，G(z-1)是离散传递函数，P(t)是t时刻电池负荷的功率。
离散传递函数G(z-1)中的未知参数用于SOC(t)和P(t)的数据样本估计，离散传递函数表示为：
根据动态模型与离散传递函数得到：
SOC(t)·A(z-1)＝P(t)·B(z-1)
将SOC(t)×A(z-1)＝P(t)×B(z-1)写成如下差分方程形式：
SOC(t)＝-a1SOC(t-1)-…-anSOC(t-n)+b1SOC(t-1)+…
+bnSOC(t-n)
利用该差分方程，转化为矩阵下的表达式，每一项的SOC组成列矩阵，由φ(t)表示，每一项的系数构成系数矩阵，系数矩阵表达式为：
进而得到：
SOC(t)＝φT(t)·θ
取泛函J(θ)为：
最小二乘法的目标为使J(θ)最小，求取极值得：
最小二乘法估计的系统传递函数参数为：
θ＝(φTφ)TSOC(t)
进而求得充电功率与SOC的离散传递函数。
在本发明实施例中，步骤S2分析单台电动汽车在不同影响因素下的降负荷潜力方法包括：
在Matlab/Simulink上建立电动汽车充电和放电系统的仿真模型，获取电池的SOC、电流、充电功率参考数据；
通过对该电动汽车充电和放电系统的仿真模型模拟充电，得到充电功率、充电电流与SOC的关系，在该电动汽车充电和放电系统的仿真模型中对电池输入合理的阶跃功率信号，得到电动汽车充电功率响应图、电动汽车充电电流与SOC响应图；
在电力系统中，当电网用电负荷过大时，对电网中的用电负荷进行控制，调节电动汽车的充电电流，减轻电网的用电压力，同时保证电动汽车在规定的时间内充电到协议离网SOC预定值。
在本发明实施例中，步骤S3利用所述改进的IGA-RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测包括：
利用SOC变化曲线，确定电动汽车功率随SOC所获得的轨迹，在运行约束下，通过电动汽车功率输出使整体负荷曲线趋于平坦；
对相关数据进行提取分析，编写数学目标函数：
e(t)＝Pf(t)×P(t)
上式中，N是预测范围内的时间步数；参数Pf(t)、P(t)、e(t)分别是预测负荷功率、电动汽车输出功率以及在时间段t内的两个功率值之间的误差；
得出电动汽车输出功率受SOC约束的表达式为：
上式中WE和Wt分别表示在时间步长t处的电动汽车容量和存储容量，Pmin和Pmax表示最小和最大电动汽车输出功率限值；Δt表示计划时间间隔；SOCmin和SOCmax表示最小和最大允许SOC值。
在本发明实施例中，步骤S3所述利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷包括：
定义Pm(t)为在时间t的功率平滑级别，则表示成如下组合：
式中，Pm(t)是在时间t的功率平滑级别，WE表在时间步长t处的电动汽车容量，Pm(t)前两个分量包括当前预测值和平均值，剩余的项代表与预定点的SOC偏差，用来消除SOC偏差。Pf(t+Δt)表示提前二十分钟的负荷预测，负责计算平滑级别，平滑级别在每个周期结束时更新；
利用最小化成本函数获得最佳的电动汽车功率：Px＝argminPxcos(t)；
利用当前负荷值，提前二十分钟的预测负荷可以得到参考发电功率
PL(tk)＝(P(t)-Pf(t))+m(tk-t)
式中，m是发电功率曲线的修正量，m可由下式定义：
g[SOC(t)]定义为电力负荷曲线修正更新量。P(t)是t时刻电池负荷的功率，Pf(t+Δt)表示提前二十分钟的负荷预测。
在本发明实施例中，步骤S4所述降负荷潜力研究包括：
对不同需求响应开始时刻的初始SOC下的降负荷情况分析，在需求响应持续时间和协议离网SOC预定值不变的情况下，初始SOC的变化，影响电动汽车的降负荷能力，需求响应开始时刻的初始SOC越小，降负荷潜力越小，反之，初始SOC值越大，降负荷潜力越大；
电动汽车的降负荷潜力研究内容可进一步理解为：对受协议离网SOC预定值、电动汽车初始SOC设定值以及需求响应持续时间时间等因素分析，为获得更大的降负荷潜力，可以设置较低的协议离网SOC预定值、较大的电动汽车初始SOC值，或让电动汽车尽可能长时间进行需求响应执行降负荷操作。
所述对实验数据的去噪和标准化处理包括：
指标一致化处理，此举主要解决数据之间不同性质的问题；无量纲化处理，目的是解决数据之间可比性的问题；极差标准化法用于消除变量量纲和变异范围影响的一种方法之一；Z-score标准化法，该方法主要是使数据符合标准正态分布；线性比例标准化法，包括极大化法、极小化法。
在本发明实施例中，步骤S4采用改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量，包括：在电动汽车负荷参与需求响应机理分析研究的基础上，在最大降负荷潜力以内，分析电动汽车负荷主动响应参与电网调度的模型，消除用电负荷高峰期电网中设备重载和过负荷，确定最佳的电动汽车负荷调度位置和降负荷容量；
在本发明实施例中，所述电动汽车负荷主动响应参与电网调度的模型包括：
(1)对目标函数进行编写：对需求响应前后配电网络总损耗之差进行函数编写；对各节点电压偏移量进行函数编写；对负荷峰值进行函数编写；对配电网峰谷负荷差、各节点电压偏置之和、充电成本进行函数编写；
(2)对约束条件进行函数编写：对潮流方程约束、支路电流约束、节点电压约束条件、配电线路传输容量约束、电动汽车区域负荷削减容量约束、电动汽车电池充电容量限制、供电电源10kV出口处功率因素进行函数编写；
(3)对步骤(1)、步骤(2)编写的动态多目标进行选择，选择出电动汽车有序充电控制策略，计算出所找到节点的最佳降负荷容量；
为了确保电池寿命，本公开采用了两种控制策略：调整初始充电时间策略和调整充电功率策略。
具体控制策略包括当电动汽车到达充电站进行充电时，如果此时负载处于高峰期，可根据出发时间优化初始充电时间，在低负荷期间采用恒功率充电；也可以在负载峰值时进行低功率充电，在负载较低时进行高功率充电，即在电动汽车接入充电时进行充电功率的调整。
考虑到参与监管后，电动汽车充满电的时间会延迟，用户的心理通常是希望尽快完成充电，尽可能降低成本。因此，本公开定义了电动汽车充电完成延迟率指标。
所述电动汽车有序充电控制策略包括调整初始充电时间策略和调整充电功率策略；
定义电动汽车充电完成延迟率指标：
上式中：τdelay是电动汽车充电完成延迟率指标；Te(n)、Te,op(n)为第n辆电动汽车无序充电和优化控制后完成充电的时间；Tarri(n)、Tleav(n)分别为第n辆电动汽车到达和离开的时间；N为参与监管策略的电动汽车总数。
从延迟率指标可以看出，在优化前，即无序充电时，任何充电都可以实现，优化后，由于充电开始时间的调整，完全充电的时间被延迟。
实施例3，本发明基于所述改进的IGA-RBF神经网络模型，对用电负荷曲线进行预测和分析包括：
作为可能的实现形式，本发明实施例借助Matlab/Simulink软件，在此环境下进行编程，采用IGA-RBF神经网络方法进行负荷预测，通过该方法利用28天的电力负荷数据，对24个小时的负荷情况进行预测。本发明实施例随机预测某地区一天24个小时的负荷，预测输出为每小时一个预测值，共24点，相应时刻的风速、温度的值，并将负荷值和相对误差进行了比较。此外，变量的编码位数和种群数目为11和10，遗传次数为50，交叉和变异概率分别为0.75和0.1。
利用IGA-RBF神经网络建立的负荷预测模型对训练数据进行训练，得到模型的适应度变化曲线，通过相关实验可知，经过50代的遗传变异，模型的最优适应度达到了1.1134，对应最佳层数为956层，此时模型的泛化能力达到最佳状态。利用所建IGA-RBF神经网络预测模型和基本RBF模型分别对电力系统短期负荷进行预测。
作为一应用实施例，本发明提供一种单台电动汽车需求响应潜力分析方法，具体包括：
利用基于电动汽车需求响应的仿真模型进而验证系统辨识法和遍历搜索法，进行了如下实验，并分析了电动汽车需求响应降负荷潜力的影响因素，包括：
模型仿真模块，Matlab/Simulink上建立了电动汽车充电和放电系统的仿真模型，获取了电池的SOC、电流、充电功率等参考数据。
实验模块，通过对该电动汽车充电和放电系统的仿真模型模拟充电，得到清晰的充电功率、充电电流与SOC的明确关系，在该电动汽车充电和放电系统的仿真模型中对电池输入合理的阶跃功率信号，得到电动汽车充电功率响应和电动汽车充电电流与SOC响应。
分析模块，为了验证系统辨识出来的传递函数的准确性，将该传递函数代回到系统可证该辨识方法是可靠的，在电力系统中，当电网用电负荷过大时，需要对电网中的用电负荷进行合理控制，此时，调节电动汽车的充电电流可以减轻电网的用电压力，同时还要保证电动汽车能够在规定的时间内充电到协议离网SOC预定值。
在本发明实施例中，如图3基于遍历搜索法求充电电流最小值流程图，包括以下步骤：
步骤1：根据系统辨识出的功率与SOC的离散传递函数、充电功率与充电电流之间的关系，构造SOC与充电电流的线性关系式；
步骤2：初始化电池充电功率、充电电流、电池初始剩余容量SOC，需求响应起止时间，规定充电完成的SOC边界值N等参数；需求响应时的电流从取值范围内选取最大的一个；
步骤3：电池需求响应下的充电电流先选取最大值，求出该时刻电池的SOC，判断其是否达到充满要求；
步骤4：若SOC超过充电边界值，记下此时的需求响应电流，电流依次递减单位数值代入步骤3；
步骤5：结束条件是求出的电流恰巧在需求响应时间内达到充电SOC边界值，将该电流减少一个单位数值，不能达到充电要求；
步骤6：输出需求响应下的最小充电电流。
基于遍历搜索法寻求降负荷最大值以及电动汽车降负荷能力的影响因素包括以下几个方面：
预设电动汽车需求响应开始时刻的SOC为77％，初始电流为30A，规定在1h的时间内，电动汽车的协议离网SOC能够达到80％以上，利用遍历搜索法寻求到的最小电流值为16A，此时降负荷1.3KW。
在电动汽车充电和放电系统的仿真模型的基础上，继续增大充电功率减小量，将充电功率减小1.3KW左右时此时充电电流就是遍历搜索法下的最小充电电流16A，可见电池SOC增幅较之前更加缓慢，但能在规定时间内恰好达到的协议离网SOC值80％。因为通过降低不同的充电功率，电池的充电电流和SOC增长幅度也会相应减小，若再降低充电功率，充电电流会更小，此时电池SOC就不能在规定时间达到的协议离网SOC预定值的80％。那么，利用遍历搜索法求得的最小充电电流16A是正确的，验证了该方法的准确性。
实施例4，如图2所示，本发明实施例提供了IGA-RBF预测的总体流程图。选取IGA-RBF神经网络学习方法，本发明随机选取IGA-RBF中心，根据输入负荷数据，选取隐层单元传递函数的中心，中心方差计算公式为：
σ＝Δm/√2l
其中Δm是中心之间的最大距离，即基函数宽度的最大值；l为隐含层单元中心数。对负荷数据进行归一化处理：
Lmax＝max(Lood)
Lmin＝min(Lood)
Lmax是变量的最大值；Lmin是变量的最小值；Lood是原始数据；Loodinput是归一化后的数据。
利用上面三个式子对训练样本进行归一化处理，将测试将本的负荷数据归一化到[0,1]范围内，归一化后得到的数据如表1所示：
表1输入样本归一化后数据
如图4本发明实施例提供一天各时段的预测误差与实际负荷之间的归一化误差图所示。
通过对这些数据的整理分析及仿真计算，归一化处理的预测值与实际值之间的误差平方和为0.0164。
利用IGA-RBF神经网络建立的负荷预测模型对训练数据进行训练，得到相应的模型适应度变化，经过50代的遗传变异，模型的最优适应度达到了1.1134，对应最佳层数为956层，此时模型的泛化能力达到最佳状态。利用所建IGA-RBF神经网络预测模型和基本RBF模型分别对电力系统短期负荷进行预测。
本发明采用IGA-RBF神经网络负荷预测方法，该方法得出的各时段负荷实际值与预测值之间的误差预测值如表2所示。
表2各时段实际负荷与预测负荷之间的预测误差值
如图5所示，本发明实施例提供的实际负荷与预测负荷曲线图所示。
本发明对表1和表2的数据进行提取并进行仿真实验可知，归一化处理下负荷的预测值与实际值之间的误差平方和结果为0.0164，最大预测误差为0.0522，在实际负荷数据下计算的最大预测误差为13.7355。根据预测结果分析可知，IGA-RBF神经网络负荷预测方法还是具有较高的预测精度。另外通过对比IGA-RBF模型和传统RBF模型的拟合曲线可知，本发明采用的IGA-RBF模型的预测效果更好，能以更小的误差拟合待预测日的负荷曲线。
由表1和表2以及仿真分析可知，归一化处理下负荷的预测值与实际值之间的误差平方和结果为0.0164，最大预测误差为0.0522，在实际负荷数据下计算的最大预测误差为13.7355。根据预测结果分析可知，IGA-RBF神经网络负荷预测方法还是具有较高的预测精度。另外通过对比IGA-RBF模型和传统RBF模型的拟合曲线可知，本发明采用的IGA-RBF模型的预测效果更好，能以更小的误差拟合待预测日的负荷曲线。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种基于改进的IGA-RBF神经网络短期负荷预测方法，其特征在于，该方法包括以下步骤：
S1，在RBF模型预测的基础上，利用改进遗传算法的进化寻优能力，构建改进的IGA-RBF神经网络模型，以电力系统负荷历史数据为基础，进行电力系统短期负荷预测；
S2，基于获取的电力系统短期负荷预测数据，搭建电动汽车充放电模型，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系；利用调节充电功率获取电动汽车参与需求响应的降负荷潜力，分析单台电动汽车在不同影响因素下的降负荷潜力；
S3，基于单台电动汽车在不同影响因素下的降负荷潜力结果，利用所述改进的IGA-RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测，并利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷；
S4，在降负荷潜力研究的前提下，采用改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量；
在步骤S1中，构建改进的IGA-RBF神经网络模型，包括以下步骤：
(1)对数据集进行初始化，对实验数据进行去噪和标准化处理，减少不合理数据对预测的影响并减小计算量；
(2)对训练数据集进行划分，将训练数据集划分成a和b两部分，其中b部分为选取训练集某日的数据，a部分为训练集中去除b部分的数据；
(3)利用GA生成初始种群，利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到隐藏层径向基函数的分类中心Tk；
(4)利用步骤(3)中隐藏层径向基函数的分类中心Tk的隐藏层个数N，隐藏层径向基函数的分类中心Tk、方差σk构建RBF训练模型，对数据集进行训练，并利用负梯度下降法更新权重，直到精度满足要求或迭代次数达到最大值；
(5)利用训练好的RBF模型对训练集中待预测日进行预测，然后计算每个种群的适应度MAE；
如果条件没有停止，则对种群根据各自适应度进行选择交叉变异，然后利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到隐藏层径向基函数的分类中心Tk；如果条件已经停止，则进入到下一个步骤(6)；
(6)按照训练结果选择种群中适应度最优的个体作为RBF的隐藏层层数N，对整个训练集数据进行训练，获取改进的IGA-RBF神经网络模型各参数，再对待预测日进行预测，获取待预测日的电力负荷数据；
在步骤S2中，搭建电动汽车充放电模型前，还需对用电负荷曲线进行预测，具体包括：
利用Matlab或Simulink软件，通过改进的IGA-RBF神经网络建立的负荷预测模型对训练数据进行训练，得到电动汽车充电速率变化比，该电动汽车充电速率变化比用于评价电动汽车降负荷能力，该电动汽车充电速率变化比定义为功率变化百分比与SOC增长斜率变化比的比值，得到：
式中，ΔP是功率P(t)的振幅变化，P0表示充电初始功率；ΔS为功率变化前后SOC增长斜率的振幅变化，S0为功率变化前SOC的增长斜率；
在步骤S2中，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系，包括：
利用系统辨识方法对系统的传递函数进行参数估计，分析充电功率P与电池的SOC的关系；利用遍历搜索法查找数组中的每一个元素，最终找出满足要求的功率最小值；
设定电池充电的初始剩余容量SOC0，充电初始功率P0，初始充电电流I0，充电t1时间，功率下降到Pn，n＝0，1，2，…，充电电流也随之下降至In，n＝0，1，2，…；二者之间的函数关系系数为β，则有如下关系式：
Pn＝β×In
式中，β是充电功率与SOC之间的关系系数，Pn是t1时间后的充电功率，In是t1时间后的充电电流；
进而得到充电t1时间内初始充电电流I0与充电时的SOC变化量的关系如下：
SOC(t1)＝G(z-1)×β×I0；
式中，SOC(t1)是在t1时刻SOC的值，G(z-1)是离散传递函数；β是充电功率与SOC之间的关系系数，I0是初始充电电流；
需求响应开始时间t1至充电结束时间t2这段时间内，电流由原来的I0减小为In进行充电，SOC变化量随电流In变化的情况如下式：
SOC(t2-t1)＝G(z-1)·β·In，0＜In＜I0；
式中，SOC(t2-t1)是在t1时刻至t2时刻SOC的变化量，G(z-1)是离散传递函数；β是充电功率与SOC之间的关系系数，In是t1时间后的充电电流；
设置SOC充电完成边界值为电池充电时间t2时刻时电池SOC2大于/>即充电完成，SOC2由下面等式表示：
式中，SOC2是电池充电时间t2时刻电池的荷电状态，SOC0是电池初始荷电状态，SOC(t1)是电池在t1时刻SOC的值，SOC(t2-t1)是t1时刻至t2时刻SOC的变化量；
在步骤S2中，分析单台电动汽车在不同影响因素下的降负荷潜力包括：
在Matlab或Simulink上建立电动汽车充电和放电系统的仿真模型，获取电池的SOC、电流、充电功率参考数据；
通过对该电动汽车充电和放电系统的仿真模型模拟充电，得到充电功率、充电电流与SOC的关系，在该电动汽车充电和放电系统的仿真模型中对电池输入合理的阶跃功率信号，得到电动汽车充电功率响应图、电动汽车充电电流与SOC响应图；
在电力系统中，当电网用电负荷过大时，对电网中的用电负荷进行控制，调节电动汽车的充电电流，减轻电网的用电压力，同时保证电动汽车在规定的时间内充电到协议离网SOC预定值；
在步骤S3中，利用所述改进的IGA-RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测包括：
利用SOC变化曲线，确定电动汽车功率随SOC所获得的轨迹，在运行约束下，通过电动汽车功率输出使整体负荷曲线趋于平坦；
对数据进行提取分析，编写数学目标函数：
e(t)＝Pf(t)×P(t)
式中，是预测范围内的时间步数；参数Pf(t)、P(t)、e(t)分别是预测负荷功率、电动汽车输出功率以及在时间段t内预测负荷功率值与电动汽车输出功率值之间的误差；
得出电动汽车输出功率受SOC约束的表达式为：
式中，WE和Wt分别表示在时间步长t处的电动汽车容量和存储容量，Pmin和Pmax表示最小和最大电动汽车输出功率限值；Δt表示计划时间间隔；SOCmin和SOCmax表示最小和最大允许SOC值；
在步骤S3中，所述利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷包括：
定义Pm(t)为在时间t的功率平滑级别，则表示成如下组合：
式中，Pm(t)是在时间t的功率平滑级别，WE表在时间步长t处的电动汽车容量，Pm(t)前两个分量包括当前预测值和平均值，剩余的项代表与预定点的SOC偏差，用来消除SOC偏差；Pf(t+Δt)表示提前二十分钟的负荷预测，负责计算平滑级别，平滑级别在每个周期结束时更新；
利用最小化成本函数获得最佳的电动汽车功率：
利用当前负荷值，提前二十分钟的预测负荷可以得到参考发电功率：
PL(tk)＝(P(t)-Pf(t))+m(tk-t)
式中，m是发电功率曲线的修正量，m可由下式定义：
式中，g[SOC(t)]定义为电力负荷曲线修正更新量，P(t)是电动汽车输出功率，Pf(t+Δt)表示提前二十分钟的负荷预测；
在步骤S4中，所述降负荷潜力研究包括：
对不同需求响应开始时刻的初始SOC下的降负荷情况分析，在需求响应持续时间和协议离网SOC预定值不变的情况下，初始SOC的变化，影响电动汽车的降负荷能力，需求响应开始时刻的初始SOC越小，降负荷潜力越小，反之，初始SOC值越大，降负荷潜力越大；
在步骤S4中，采用改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量，包括：在电动汽车负荷参与需求响应机理分析研究的基础上，在最大降负荷潜力以内，分析电动汽车负荷主动响应参与电网调度的模型，消除用电负荷高峰期电网中设备重载和过负荷，确定最佳的电动汽车负荷调度位置和降负荷容量。
2.根据权利要求1所述的基于改进的IGA-RBF神经网络短期负荷预测方法，其特征在于，所述电动汽车负荷主动响应参与电网调度的模型包括：
(1)对目标函数进行编写：对需求响应前后配电网络总损耗之差进行函数编写；对各节点电压偏移量进行函数编写；对负荷峰值进行函数编写；对配电网峰谷负荷差、各节点电压偏置之和、充电成本进行函数编写；
(2)对约束条件进行函数编写：对潮流方程约束、支路电流约束、节点电压约束条件、配电线路传输容量约束、电动汽车区域负荷削减容量约束、电动汽车电池充电容量限制、供电电源10kV出口处功率因素进行函数编写；
(3)对步骤(1)、步骤(2)编写的动态多目标进行选择，选择出电动汽车有序充电控制策略，计算出所找到节点的最佳降负荷容量。
CN202310343061.7A 2023-04-03 2023-04-03 基于改进的iga-rbf神经网络短期负荷预测方法 Active CN116910637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310343061.7A CN116910637B (zh) 2023-04-03 2023-04-03 基于改进的iga-rbf神经网络短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310343061.7A CN116910637B (zh) 2023-04-03 2023-04-03 基于改进的iga-rbf神经网络短期负荷预测方法

Publications (2)

Publication Number Publication Date
CN116910637A CN116910637A (zh) 2023-10-20
CN116910637B true CN116910637B (zh) 2024-04-26

Family

ID=88355218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310343061.7A Active CN116910637B (zh) 2023-04-03 2023-04-03 基于改进的iga-rbf神经网络短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN116910637B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205246835U (zh) * 2015-12-18 2016-05-18 安徽师范大学 基于ds2788的锂电池电量管理系统
CN108876054A (zh) * 2018-07-06 2018-11-23 国网河南省电力公司郑州供电公司 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN109711435A (zh) * 2018-12-03 2019-05-03 三峡大学 一种基于遗传算法的支持向量机在线电压稳定性监测方法
JP2021034749A (ja) * 2019-08-13 2021-03-01 ソニーセミコンダクタソリューションズ株式会社 情報処理装置、情報処理方法、および情報処理プログラム
CN113255900A (zh) * 2021-06-23 2021-08-13 河北工业大学 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
CN113780670A (zh) * 2021-09-16 2021-12-10 太原理工大学 基于两阶段的区域电网电动汽车调峰优化调度方法
CN114202253A (zh) * 2022-01-27 2022-03-18 中国电力科学研究院有限公司 充电站负荷可调潜力评估方法、系统、存储介质及服务器
CN114880939A (zh) * 2022-05-23 2022-08-09 遥相科技发展(北京)有限公司 一种动力电池寿命的智能预测方法及装置
US11550672B1 (en) * 2021-09-09 2023-01-10 Kyndryl, Inc. Machine learning to predict container failure for data transactions in distributed computing environment

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205246835U (zh) * 2015-12-18 2016-05-18 安徽师范大学 基于ds2788的锂电池电量管理系统
CN108876054A (zh) * 2018-07-06 2018-11-23 国网河南省电力公司郑州供电公司 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN109711435A (zh) * 2018-12-03 2019-05-03 三峡大学 一种基于遗传算法的支持向量机在线电压稳定性监测方法
JP2021034749A (ja) * 2019-08-13 2021-03-01 ソニーセミコンダクタソリューションズ株式会社 情報処理装置、情報処理方法、および情報処理プログラム
CN113255900A (zh) * 2021-06-23 2021-08-13 河北工业大学 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
US11550672B1 (en) * 2021-09-09 2023-01-10 Kyndryl, Inc. Machine learning to predict container failure for data transactions in distributed computing environment
CN113780670A (zh) * 2021-09-16 2021-12-10 太原理工大学 基于两阶段的区域电网电动汽车调峰优化调度方法
CN114202253A (zh) * 2022-01-27 2022-03-18 中国电力科学研究院有限公司 充电站负荷可调潜力评估方法、系统、存储介质及服务器
CN114880939A (zh) * 2022-05-23 2022-08-09 遥相科技发展(北京)有限公司 一种动力电池寿命的智能预测方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Application of Immune Genetic Algorithm Based Fuzzy RBF Neural Network in High-speed Motorized Spindles;Shan Wentao 等;《Journal of Mechanical Engineering》;20140812;第49卷(第23期);全文 *
Review of research on load forecasting methods for smart grid;Pengyun Li 等;《2022 4th International Conference on Communications, Information System and Computer Engineering (CISCE)》;20220817;全文 *
基于GA-F-RBF神经网络的磷酸铁锂电池SOC预测研究;梁梦迪;吴铁洲;陈华进;;电源技术;20151220(第12期);全文 *
基于GA-RBF神经网络逆的两电机同步控制;康梅;赵文祥;吉敬华;刘国海;;微特电机;20120828(第08期);全文 *
改进遗传算法优化RBF神经网络在短期电力负荷预测中的应用;宋朝鹏;《电子世界》;20210831(第16期);全文 *

Also Published As

Publication number Publication date
CN116910637A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Majidpour et al. Fast prediction for sparse time series: Demand forecast of EV charging stations for cell phone applications
Wang et al. Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm
Xiong et al. Electric vehicle driver clustering using statistical model and machine learning
CN110909912A (zh) 基于自适应误差反馈的园区电力系统净负荷组合预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN112418496B (zh) 一种基于深度学习的配电台区储能配置方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN115603446A (zh) 基于卷积神经网络和云边协同作用的配电台区运行监测系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN117498400B (zh) 一种分布式光伏与储能数据的处理方法及系统
CN112819203B (zh) 一种基于深度学习的充电管理系统及方法
Li et al. Optimal storage sizing of energy storage for peak shaving in presence of uncertainties in distributed energy management systems
CN116544934B (zh) 根据电力负荷预测的电力调度方法及系统
CN116910637B (zh) 基于改进的iga-rbf神经网络短期负荷预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
Cui et al. A load combination prediction algorithm considering flexible charge and discharge of electric vehicles
Wang et al. Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises
CN116415732A (zh) 一种基于改进arnn的用户侧电力负荷数据处理方法
Jahan et al. Intelligent system for power load forecasting in off-grid platform
CN114547821A (zh) 基于灰色关联理论的可调度柔性资源辨识方法、存储介质
Fu et al. AI-based charging management for the integration of electric vehicles using a reference low voltage grid in Hamburg
Chinnadurrai et al. Energy Management of a Microgrid based on LSTM Deep Learning Prediction Model
Li et al. Research on User Behavior Classification Method Based on Self Organizing Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant