Page 76 - 电力与能源2023年第四期

382 潘 越，等：基于 PSO-LSSVM 的新能源汽车充电负荷预测方法研究

期数据预测效果，分析输入变量与预测变量之间 表 1 充电负荷与 8 个指标的相关程度分析结果
的相互依存关系，去除影响因子较弱的变量，提高 影响因素 相关系数 ρ
月平均最高温度 0.83
预测的准确度。采用 PCC 衡量影响变量与月度
月平均最低温度 0.87
负荷数据的相关程度，相关系数表达式如下： 月平均湿度 0.23
C ( X，Y ) 月平均风速 0.19
ρ xy = （13） 月工作日天数 0.66
σ X σ Y
月非工作日天数 0.54
式中 C （X，Y）——X，Y 序列数据的协方差；σ X，
直流桩个数 0.78
σ Y——X，Y 序列数据的标准差。 交流桩个数 0.61
2 充电负荷预测模型 作为输入向量。
2.2 数据归一化处理
本文建立基于 PSO-LLSVM 的充电站负荷
因建模数据涉及天气、直流桩个数、交流桩个
预测模型。首先，对充电负荷的影响因素进行皮
数等，数据的规模、数量级各不相同，需对输入数
尔森系数相关性检验，相关系数较高的作为输入
据进行归一化处理。归一化处理是指将数据映射
参数变量的选择。对输入变量进行归一化数据处
到具有相同的度量尺度，使学习模型能够在梯度
理 形 成 训 练 样 本 ，通 过 PSO 算 法 优 化 确 定
模型下降时达到收敛，同时还能提高预测的精度。
LSSVM 的参数（σ，γ），提高模型长期预测的稳定
负荷数据的归一化处理使用常用对数：
性及准确性，再利用 LSSVM 进行月度充电负荷
x′ ij = lgx ij （14）
预测。
式中 x ij 为——原始负荷；x′ ij——规格化的负荷。
2.1 主成分提取
其余数据使用线性归一化：
充电负荷的影响因素可分为两种：定性因素
x - min x
和定量因素。定性因素指的是电动汽车的类型、 x′= max x - min x （15）
用户行为、日期类型等；定量因素则是气象和电动 式 中 x—— 原 始 变 量 ；x′—— 规 格 化 的 变 量 ；
汽车保有量。本文基于车联网平台数据直流桩和 minx，maxx——变量的最小值和最大值。
交流桩个数，并将日期类型和气象因素作为模型 2.3 误差指标评价
的输入向量进行负荷预测。 预测模型效果的好坏需要用指标来证明，本
共选取 8 个指标作为输入向量，分别如下。 文采取均方根误差（RMSE）、平均绝对百分比误
（1）气象影响因素包含月平均最高温度、平均 差（MAPE）、预测误差标准偏差 S σ 作为指标对模
最低温度、平均湿度、平均风速。 型的预测精度进行验证：

（2）将日期类型转化为月工作日天数和月非 ì n
ï ï 1 ) 2
ï
工作日天数。 ïE RMSE = n ∑( y k - y ̂ k
ï
ï
k = 1
ï
（3）充电站直流桩个数和交流桩个数。 ï 1 k = 1( )
n
ï ï
y k - y ̂
k
í E MAPE = ∑ （16）
使用 PCC 法依次计算 8 个指标与充电负荷数 ï ï n y k
ï
ï
据的相关程度，结果见表 1。 ï 1 n 2
ï
ï ∑(e k - e ˉ )
ï S σ =
由表 1 可知，月平均最高温度、月平均最低温 ï ï n k = 1
î
度、直流桩数与充电负荷有较强的相关性；月工作 式中 y k——实际值； y ̂ ——预测值； e k——预测
k
日天数、月非工作日天数、交流桩个数与充电负荷 误差； e ˉ——预测误差的平均值。
具有中等的相关性；月平均湿度和月平均风速与
3 案例分析
充电负荷的相关性最弱。因此，本文选取月平均
最高温度、月平均最低温度、直流桩个数、交流桩 本文选取市北供电公司的东升路充电站作为
个数、月工作日天数、月非工作日天数等 6 个变量 案例，基于车联网平台的月度负荷数据进行分析