Page 78 - 电力与能源2023年第四期

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

负荷的误差变化相对稳定。由此可知，本文提出 的影响因素作为算法的输入变量；其次，利用 PSO
的基于 PSO-LSSVM 的充电负荷预测模型能够 算法对 LSSVM 的参数进行寻优，建立了充电负
达到良好的充电负荷预测效果。 荷预测模型；最后，另外选取 GA-BP 和 LSSVM
模型与 PSO-LSSVM 模型进行充电负荷预测对
比，通过实际案例分析，验证了 PSO-LSSVM 具
有 较 好 的 数 据 拟 合 能 力 ，能 够 有 效 地 预 测 充 电
负荷。

参考文献：
［1］ 华远鹏，王圆圆，韩 丁，等 . 考虑有序充电的居民区电动

汽车中长期充电负荷预测［J］ 电力系统及其自动化学报，
.
图 5 3 种模型的平均误差对比 2022，34（6）：142-150.
［2］ 马玲玲，杨 军，付 聪，等 . 电动汽车充放电对电网影响
3 种模型的误差指标评价对比如表 2 所示。
.
研究综述［J］ 电力系统保护与控制，2013，41（3）：140-148.
GA-BP 模型运用神经网络的深度学习模式，其训
［3］ 张 永 . 电动汽车的充电负荷预测方法研究［D］ 南京：南
.
练集的规模、隐藏层的数量直接影响数据拟合效 京邮电大学，2019.
.

果，易在训练时发生过拟合现象，导致预测结果偏 ［4］ 康重庆，夏 清，刘 梅 . 电力系统负荷预测［M］ 北京：
中国电力出版社，2007.

差较大。由表 2 可知，GA-BP 模型的误差指标最
［5］ 朱慧婷，杨 雪，陈友媛 . 电动汽车充电负荷预测方法综述
高，LSSVM 和 PSO-LSSVM 模型的预测效果较 ［J］ 电力信息与通信技术，2016，14（5）：44-47.
.
GA-BP 模 型 都 有 不 同 程 度 的 提 升 ，其 中 PSO- ［6］ 王 琨，高敬更，张勇红，等 . 基于 LSTM 神经网络的复合
变量电动汽车充电负荷预测方法技术研究［J］ 工业仪表
.
LSSVM 模型的 MAPE 和 RMSE 评价指标最优，
与自动化装置，2019（1）：27-31.
较 LSSVM 模型分别提升了 28.53% 和 34.83%。
［7］ 刘文霞，徐晓波，周 樨 . 基于支持向量机的纯电动公交

这表明 PSO-LSSVM 模型预测数据的拟合度更 车充/换电站日负荷预测［J］ 电力自动化设备，2014，34

.

（11）：41-47.

高，有更好的寻优能力和更高的搜索精度。由表 2
［8］ 孙祥晟，陈芳芳，徐天奇，等 . 基于 CEEMDAN 分解的 GA-
还可知，PSO-LSSVM 模型的误差标准偏差 s σ 最
BP 神经网络电动汽车配电网短期负荷预测［J］ 云南民族
.
低，误差之间的离散程度最小，表明负荷预测模型 大学学报（自然科学版），2020， 29（3） ：292-298.
的稳定性最高。 ［9］ VAPNIK V N. Statistical learning theory［M］ New York：
.

DBLP，1998.
表 2 3 种模型的误差指标评价
［10］ VAPNIK V N. The Nature of statistical learning theory
R MAPE /% R MMSE /%

.
预测模型 S σ ［M］ New York：Springer Verlag，1999.
峰 平 谷 峰 平 谷
［11］ 龚文龙 . 基于最小二乘支持向量机的短期负荷预测［D］ .
GA⁃BP 9.84 4.08 6.44 1.95 1.44 2.63 0.953
长沙：湖南大学，2014.
LSSVM 7.65 3.01 3.61 1.08 1.00 2.29 0.409
［12］ 谷文成，柴宝仁，滕 艳 . 基于粒子群优化算法的支持向

PSO⁃LSSVM 6.32 2.13 2.08 0.88 0.75 0.88 0.343

.

量机研究［J］ 北京理工大学学报，2014，34（7）：705-709
［13］ 尹肖肖 . 基于最小二乘支持向量机的短期电力负荷预测
4 结语
.
［D］ 大庆：东北石油大学，2021.
［14］ 王 涓，吴旭鸣，王爱凤 . 应用皮尔逊相关系数算法查找异
新能源汽车充电站的充电负荷预测，利于电
.
常电能表用户［J］ 电力需求侧管理，2014，16（2）：52-54.
网资源的优化配置和协调运行，对实现能源电力 ［15］ 刘敦楠，张 悦，彭晓峰，等 . 计及相似日与气象因素的电
转型具有重要意义。本文从电网侧的角度，将新 动 汽 车 充 电 负 荷 聚 类 预 测［J］ 电 力 建 设 ，2021，42（2）：
.
能源充电站充电负荷作为分析对象，建立了基于 43-49.
收稿日期：2023-04-18
PSO-LSSVM 的月度负荷预测模型。首先，对充
(本文编辑：赵艳粉）
电负荷的影响因素进行了相关性分析，选取合适