学术︱基于PSO-SNN的电动汽车充电站短期负荷预测模型研究

各位读者,中国电工技术学会定于2016年7月3~4日在北京铁道大厦举办“2016第十一届中国电工装备创新与发展论坛”,主题为“电工行业十三五规划研究与解读”。请感兴趣的读者扫描下方的二维码(或关注微信公众号“电气技术”),浏览会议详情和进行快速注册报名。注册时请准确填写相关信息,会议服务人员将及时与您确认参会事宜。

青岛大学、国网山东省电力公司检修公司的研究人员王哲、代兵琪、李相栋,在2016年第1期《电气技术》杂志上撰文,以某电动汽车充电站的实测充电功率数据和天气预报数据为理论依据,分析了电动汽车充电站的负荷特性。构建了基于粒子群优化脉冲神经网络的电动汽车充电站短期负荷预测模型,脉冲神经网络采用脉冲发放时间进行信息的编码及处理,具有计算能力强、信息容量大和实时性好的特点。通过仿真算例对比可知,本文提出的预测模型比传统BP-NN预测模型的预测误差在四个季节的测试日分别降低了8.59%9.28%12.06%8.72%,证实所提出的模型具有较高的预测精度。

随着全球变暖趋势的加剧,化石资源的日益枯竭,电动汽车因其具有节能和减排作用,逐渐为新能源汽车发展的主要方向[1-2]。大规模使用电动汽车既能保护环境[3],又能削峰填谷、提高电网的稳定性和经济效益。

充电站负荷具有较大的随机性和间歇性,对其进行短期负荷预测研究具有理论价值和实践意义。一方面,对于电力系统经济调度意义重大[4-6];另一方面,充电站自身的建设规划也需要预测充电功率数据的支持。

本文首先分析了充电站的日负荷特性,然后建立基于粒子群优化脉冲神经网络(PSO-SNN)预测模型对充电站日负荷曲线进行预测,并与BP-NN预测模型进行比较。实际算例表明,本文提出的预测模型具有一定的实用价值。

电动汽车充电站负荷特性分析

1.1 概述

类似于传统的电力负荷,分析电动汽车充电站的负荷特性有助于提高充电站负荷预测的精度。通过对相关数据分析发现,电动汽车充电站的负荷特性主要受到了日类型、气象、季节等因素的影响。因此,本文确立以日类型、气象、季节因素作为影响电动汽车充电功率的主要因素。

1.2  负荷影响因素

1)  日类型因素

根据居民的日常乘坐需求,公交公司对电动汽车的调度在工作日与周末不同,因此不同日类型充电站的日负荷曲线有所不同。表1是某电动汽车充电站按日类型做出的2013年各日最高负荷全年均值和日平均负荷全年均值统计。从表中可以看出,全年工作日充电站负荷值明显小于周末值。

这是因为在工作日只有在上下班时段居民对电动汽车的需求较多,在其他时段对电动汽车的需求较少;在周末居民的出行活动较多,对电动汽车的需求相对较多,这就导致了公交公司在周末调度的电动汽车数量较多。

表1  不同日类型负荷分析

2)  气象因素

通过对充电站充电功率与气象数据的分析发现,充电站负荷主要受气温、天气类型因素的影响,受其他因素影响很小。因此,本文主要讨论了气温、天气类型对充电站负荷的影响。

当外界气温较高或较低时,车辆就会使用空调,耗能就会增大,充电次数就会相应增加,总的充电功率就会增大。此外,温度对车辆的电池容量影响很大,电池充电时间在不同温度下也会有所差别[7-8],也会使负荷曲线出现不同的变化趋势。

图1是某电动汽车充电站2013年6月27日、7月4日、7月11日连续三个周四的日负荷曲线。这三天的最高温度分别为25℃、28℃和30℃。由图中可以看出,随着温度的升高,充电站的负荷曲线呈上升趋势。

图1  温度变化对充电站日负荷曲线的影响

天气类型主要影响电动汽车的行驶和居民的出行情况。雨雪天气时,居民的出行相对减少,电动汽车的调度数量也会减少;电动汽车的行驶速度较慢,日充电次数就会相应减少[9]。下图是2013年2月28日、3月1日充电站日负荷曲线,天气类型分别为阵雨和晴。

图2  天气类型对充电站日负荷曲线的影响

由图2可以看出,3月1日的充电功率明显大于2月28日。这是因为雨雪天气居民出行减少,同时电动汽车的行驶速度减慢,充电次数减少。

3)  季节因素

电动汽车充电功率受季节因素影响明显。下图是充电站在春、夏、秋、冬四季的日负荷特性曲线。

图3  季节因素对充电站日负荷曲线的影响

由图3可知,夏冬两季的日负荷曲线明显高于春秋两季。这是因为夏冬两季电动汽车内空调负荷较多,电动汽车的整体耗能较大,造成电动汽车的日充电次数较多。因此,在进行充电站负荷预测时,有必要将与测试日季节相同的数据作为训练数据。

除上述因素外,充电站负荷的变化趋势是以周为周期进行变化的,相邻两周的充电功率及其规律极为相似。

2  PSO- SNN预测模型(略)

基于脉冲神经元的脉冲神经网络(spike neural network,SNN)被称为第三代神经网络。相比于传统的神经网络,SNN 计算能力更加强大,可以传递更多的信息。与传统神经网络不同,SNN采用脉冲发放时间进行编码,这种编码方式具有实时性,更加接近于真实的神经元,在处理负荷预测等实时问题上有更大的优势。因此,本文将SNN模型应用于电动汽车充电站短期负荷预测中。

算例分析(略)

为了验证所建立的模型的有效性,本文采用某电动汽车充电站2013年的负荷数据、气象数据作为样本,分别采用BP-NN预测模型、PSO-SNN预测模型对未来某日24小时96点充电功率进行预测。

结论

本文分析了电动汽车充电站的负荷特性,构建了基于PSO-SNN的电动汽车充电站短期负荷预测模型,通过验证可知,PSO-SNN预测模型的预测精度有了有效提高,为PSO-SNN预测模型在电动汽车充电站短期负荷预测中应用奠定了理论基础。

随着国家对电动汽车的大力推广,电动汽车充电站自身的特有属性以及与其影响因素的内在联系将会被进一步发现,本文提出的预测模型的精度将会进一步提高。

分布式发电与微电网(微信号:dggrid)

关注新能源行业技术发展动态

(0)

相关推荐