Page 77 - 电力与能源2023年第四期
P. 77

潘   越,等:基于 PSO-LSSVM 的新能源汽车充电负荷预测方法研究                               383

                预测。气象数据源自气象局官方公布的历年气象                            GA-BP 模型进行预测对比。选取未参与训练的
                信息。以某月的月平均最高温度、月平均最低温                            2022 年的 7−8 月的数据作为输入向量,预测结果
                度、直流桩个数、交流桩个数、月工作日天数、非工                          如图 4 所示。
                作日天数等 6 个变量作为输入向量,拟输出向量
                为该月度的峰时段充电负荷(简称“峰负荷”)、平
                时段的充电负荷(简称“平负荷”)和谷时段的充电
                负荷(简称“谷负荷”)。基于 PSO-LSSVM 的充

                电负荷预测模型如图 2 所示。













                      图 2 基于 PSO-LSSVM 的充电负荷预测模型
                    利 用 PSO 算 法 对 LSSVM 模 型 进 行 参 数 寻

                优,设置初始种群为 50,迭代次数为 100 次,惯性
                权 重 ω min=0.4,ω max=0.9,加 速 常 数 c 1=1.5,c 2=
                1.7。 PSO-LSSVM 和 LSSVM 的 迭 代 收 敛 曲 线
                如图 3 所示。













                    图 3 PSO-LSSVM 和 LSSVM 模型的迭代收敛曲线

                    由图 3 可知:LSSVM 模型在第 20 次迭代时
                收敛,其特点是前期收敛速度较快,易陷入局部极
                值;PSO-LSSVM 模型在第 46 次迭代时收敛,迭                              图 4 3 种模型的充电负荷预测曲线
                代次数较 LSSVM 模型增加,不易陷入局部极值,                            由图 4 可知:LSSVM 模型拟合数据的能力与
                且预测误差较小。                                         PSO-LSSVM 模型相比要弱一些;GA-BP 模型拟
                    从分析结果可以看出,经 PSO 算法优化后的                       合数据的稳定性不如 PSO-LSSVM 模型,存在预
                LSSVM 模 型 具 有 更 好 的 数 据 拟 合 效 果 ,表 明             测数据出现较大偏移的情况;PSO-LSSVM 模型

                PSO 算 法 能 起 到 优 化 LSSVM 模 型 的 作 用 。 此            较其他两种模型的预测结果更接近实际值。3 种
                时 ,LSSVM 模 型 参 数 的 寻 优 结 果 为(σ,γ)=               模型的预测值与实际值的相对误差如图 5 所示。
               (30.239,34.426)。                                  由图 5 可见,LSSVM 模型和 GA-BP 模型的预测

                    为 验 证 基 于 PSO-LSSVM 的 充 电 负 荷 预 测            结果与实际值的误差较大;PSO-LSSVM 模型与
                模 型 的 精 确 度 ,将 PSO-LSSVM、LSSVM 以 及               其他两个模型相比,平均预测误差最小,峰、平、谷
   72   73   74   75   76   77   78   79   80   81   82