基于粒子群改进BP神经网络...动汽车充电负荷预测方法分析_冯艳.pdf

Application 创新应用294 电子技术 第 52 卷 第 4 期（总第 557 期）2023 年 4 月出分析，代替BP对网络神经做出训练，能够提高预测的精度与效率。基于此，本文在传统充电负荷预测方法的基础上，引入粒子群改进BP神经网络原理，提出了如下文所示的电动汽车充电负荷预测方法。1 电动汽车充电负荷预测方法设计（1）建立充电负荷影响因素数学分析模型。本文设计的充电负荷预测方法中，首先，需要根据电动汽车的实际运行情况与运行特征，对其充电需求做出全方位分析，获取充电需求影响因素之间存在的关系，并在此基础上，建立充电负荷影响因素数学分析模型，为后续的充电负荷计算提供基础保障。通常情况下，大多数电动汽车采用直流充电模式与交流充电模式，充电模式不同，对应的充电负荷也存在一定的差异。综合考虑这一问题，建立充电负荷影响因素数学分析模型。充电负荷具有影响的因素较多，各个因素之间存在彼此抑制或彼此促进的关系，经过层层分析后，可以得知充电负荷影响因素之间存在的关联性关系。经过深入分析研究，可知汽车充电时间与荷电状态对充电负荷具有直接影响。在此基础上，建立两个充电负荷直接影0 引言在当前绿色环保与节能减排理念不断发展的趋势下，电动汽车逐渐兴起。基于广义角度分析，电动汽车采用车内自带电源，作为其行驶的动力，通过车内高性能电机，驱动汽车车轮行驶，其制动方式以X型、液压双回路为主，油耗约为9kWh/(100km)。与传统的汽车相比，电动汽车的能源利用率较高，在操控方面具有较强的灵活性，节能环保，对改善生态环境具有较大作用。现阶段，我国在电动汽车领域方面的研究逐渐成熟，推出了纯电动汽车、高性能混合动力汽车与高能效的燃料电池汽车，整体具有良好的发展前景与潜力。随着电动汽车数量的大幅度增加，对电动汽车充电桩与充电设备的需求逐渐增大。此时，科学合理的电动汽车充电负荷预测方法至关重要。当前，传统的电动汽车充电负荷预测方法在应用过程中具有一定的局限性，无法对电动汽车充电站负荷值之间存在的定量关系做出精确分析，且在充电负荷预测数据量较大的情况下，传统预测方法预测的准确率与效率较差。粒子群改进BP神经网络，作为一种进化计算技术，通过对种群搜索过程中粒子发生的动态变化做作者简介：冯艳，武汉华源电力设计院有限公司，高级工程师，硕士研究生；研究方向：电力系统规划。收稿日期：2022-12-01；修回日期：2023-04-12。摘要：阐述粒子群改进BP神经网络原理，提出一种全新的充电负荷预测方法，全方位实现了所有区域电动汽车充电负荷预测的目标，提高了预测结果的准确率，从而改善电动汽车充电设施布局和设施定容。关键词：BP神经网络，充电负荷预测，设施布局。中图分类号：TP18，U491.8，TM715文章编号：1000-0755(2023)04-0294-02文献引用格式：冯艳，吴奕杉，谌伦佳，刘媛，张昆伦，陈芳.基于粒子群改进BP神经网络的电动汽车充电负荷预测方法分析J.电子技术,2023,52(04):294-295.基于粒子群改进BP神经网络的电动汽车充电负荷预测方法分析冯艳，吴奕杉，谌伦佳，刘媛，张昆伦，陈芳（武汉华源电力设计院有限公司，湖北 430058）Abstract This paper describes the principle of particle swarm optimization improved BP neural network and proposes a new charging load prediction method,which comprehensively achieves the goal of electric vehicle charging load prediction in all regions,improves the accuracy of prediction results,and thus improves the layout and capacity of electric vehicle charging facilities.Index Terms BP neural network,charging load prediction,facility layout.Analysis of Electric Vehicle Charging Load Prediction Method Based on Particle Swarm Optimization BP Neural NetworkFENG Yan,WU Yishan,CHEN Lunjia,LIU Yuan,ZHANG Kunlun,CHEN Fang(Wuhan Huayuan Electric Power Design Institute Co.,Ltd.,Hubei 430058,China.)Application 创新应用电子技术 第 52 卷 第 4 期（总第 557 期）2023 年 4 月 295响因素的关系如式（1）。（1）其中，SOCm表示汽车采用常规充电模式充电后对应的荷电状态，正常情况下，汽车电量达到最佳时取值为1；SOC0表示汽车初始充电时刻对应的荷电状态；Mr表示汽车电池容量参数；z表示汽车充电效率参数；Pr表示汽车充电功率参数。通过式（1），获取充电负荷直接影响因素之间存在的关系，明确充电需求，实现充电负荷影响因素数学分析的目标。（2）基于粒子群改进BP神经网络计算电动汽车充电负荷。在上述电动汽车充电负荷影响因素数学分析模型建立结束后，获取汽车的充电需求以及汽车充电时间与荷电状态之间对应的关联。在此基础上，利用搜索性能较高的粒子群算法，改进BP神经网络，全面提高充电负荷预测的精度与效率。由于影响电动汽车充电负荷预测的不确定性因素较多，因此，本文采用粒子群算法代替BP，对电动汽车充电负荷预测的网络神经进行训练，通过此种原理，控制充电负荷预测权重值的动态变化，减少网络数据训练的次数，减小预测结果的误差。首先，初始化随机生成电动汽车充电负荷种群与初始化变量，对初始电动汽车充电负荷种群进行评估，根据评估结果随机生成充电负荷局部最优和速度矢量。在此基础上，应用粒子群算法，更新充电负荷粒子群矢量，对更新后的矢量进行评估，提取种群全局最优解，判断粒子群改进BP神经网络算法是否满足停止判据，若不满足，则重复上述步骤，若满足，则输出充电负荷种群改进结果。在此基础上，以天为计算单位，将计算时间间隔精确到每分钟，计算充电负荷。汽车在第 分钟的充电负荷为此时所有充电负荷的总和，则对应的总充电功率计算为式（2）所示。（2）其中，Qi表示第i分钟汽车充电对应的总充电功率参数；N表示汽车总数；Pm,i表示在第i分钟，第m辆汽车对应的充电功率参数。结合式（1）、式（2）的计算结果，通过概率分布统计方法，多维度地对汽车充电负荷做出预测，实现负荷预测的目标。2 实验分析综合上述分析，本文针对电动汽车，提出的充电负荷预测方法的设计流程。在此基础上，为了进一步验证本文提出负荷预测方法的可行性以及其能够为电动汽车行业发展提供的帮助，进行了如本文所示的实验。为了能够更加直观清晰地验证本文提出预测方法的应用效果。本次实验引入对比分析的方法，设置本文提出的基于粒子群改进BP神经网络的负荷预测方法为实验组，文献1提出的基于动态时间规整的负荷预测方法、文献2提出的基于多时间尺度的负荷预测方法设置为对照组，开展实验研究。选取某地区S型号的电动汽车作为研究目标，该电动汽车充电功率呈现恒定变化趋势，每隔2天需要充2次电，采用快速充电与常规充电两种不同的方式，其对应的充电功率分别为23kW与92kW。选取该电动汽车20 000组充电数据集作为本次研究的数据源，随机选取5 000组数据，作为本次实验的测试集。将测试集分别输入到三种电动汽车充电负荷预测方法中，获取各个时刻对应的充电负荷预测值。总共进行20次实验测试，并取20次实验后电动汽车充电负荷预测的平均值，与电动汽车充电负荷的真实值进行对比。根据充电负荷预测值对比结果可知，在三种预测方法中，本文提出的预测方法，其各个时刻充电负荷预测值与真实值更加接近，基本重合，另外两种预测方法的预测值与真实值偏差较大，可见，本文提出方法具有较高的预测准确率，优势显著。3 结语科学合理的电动汽车充电负荷预测方法作为电动汽车行业领域发展的重要组成部分，对电动汽车的稳定运行具有较大影响3,4。为了改善传统充电负荷预测方法在实际应用过程中预测精度与效率较低的问题，本文引入粒子群改进BP神经网络原理，提出了一种全新的充电负荷预测方法。通过本文的研究，全方位实现了所有区域电动汽车充电负荷预测的目标，提高了预测结果的准确率，对改善当前电动汽车充电设施布局不合理问题、指导新建充电设施定容均具有重要研究意义。参考文献1 李练兵,李东颖,董晓红,刘汉民,李明,任杰,王阳.基于动态时间规整的谱聚类方法与双向长短期记忆网络的电动公交短期充电负荷预测J.科学技术与工程,2022,22(09):3576-3584.2 周润,向月,王杨,夏世威,刘友波,刘俊勇.基于智能电表集总数据的家庭电动汽车充电行为非侵入式辨识与负荷预测J.电网技术,2022,46(05):1897-1908.3 张美霞,孙铨杰,杨秀.考虑多源信息实时交互和用户后悔心理的电动汽车充电负荷预测J.电网技术,2022,46(02):632-645.4 袁小溪,潘鸣宇,段大鹏,李香龙,陈海洋.基于网格划分的电动汽车充电负荷预测方法J.电力科学与技术学报,2021,36(03):19-26.