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