基于集成学习的电动汽车充电站超短期负荷预测

doi:10.16183/j.cnki.jsjtu.2021.486

	基于集成学习的电动汽车充电站超短期负荷预测
	李恒杰1,2 ; 朱江皓 1; 傅晓飞 3; 方陈 3; 梁达明 1; 周云 2
	2022-07-11
发表期刊	上海交通大学学报
ISSN	1006-2467
卷号	56 期号:8 页码:1-10
摘要	精确的电动汽车充电站充电负荷预测是提高充电站安全经济运行的重要措施,也是支撑充电基础设施新建、扩容规划决策的重要基础.为提高电动汽车充电站超短期充电负荷预测的精度,提出一种基于集成学习的充电站超短期充电负荷预测方法.首先,以预测精确度与响应速度为主要目标,使用轻量级梯度提升(Light Gradient Boosting Machine, LightGBM)框架构建基础回归器模型;其次,通过自适应提升(Adaptive Boosting, Adaboost)方法对基础回归器群进行集成;最后,通过超参数调整与优化,建立基于能量集成轻量梯度提升框架(Energy Ensemble Boosting-Light Gradient Boosting Machine, EEB-LGBM)的双层充电站超短期充电负荷预测模型.算例结果表明,相较于反向传播神经网络(Back Propagation Neural Network, BPNN)、卷积神经长短期记忆网络(Convolutional Neural Networks-Long Short Term Memory, CNN-LSTM)、差分自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)等预测模型,所提出的基于EEB-LGBM的超短期充电负荷预测模型具有更高的精确度,同时可以大幅度降低训练时间和计算资源需求.
关键词	电动汽车充电站充电负荷超短期预测集成学习经济性
DOI	10.16183/j.cnki.jsjtu.2021.486
URL	查看原文
收录类别	北大核心 ; EI ; CSCD
语种	中文
资助项目	国家自然科学基金项目(52167014);教育部产学合作协同育人项目(202002010028);上海市科委技术标准项目(21DZ2204800);国家电网有限公司科技项目(52094021000F)资助项目
出版者	Shanghai Jiaotong University
EI入藏号	20224112891099
EI主题词	Adaptive boosting
EI分类号	702.1.2 Secondary Batteries ; 706.1 Electric Power Systems ; 723 Computer Software, Data Handling and Applications ; 723.4 Artificial Intelligence ; 912.2 Management ; 921.6 Numerical Methods
中图分类号	TM715;U491.8
来源库	上海交通大学学报
引用统计	无
文献类型	期刊论文
条目标识符	https://ir.lut.edu.cn/handle/2XXMBERH/158718
专题	电气工程与信息工程学院
通讯作者	周云
作者单位	1.兰州理工大学电气工程与信息工程学院; 2.上海交通大学电力传输与功率变换控制教育部重点实验室; 3.国网上海市电力公司
第一作者单位	电气工程与信息工程学院
第一作者的第一单位	电气工程与信息工程学院
推荐引用方式 GB/T 7714	李恒杰,朱江皓,傅晓飞,等. 基于集成学习的电动汽车充电站超短期负荷预测[J]. 上海交通大学学报,2022,56(8):1-10.
APA	李恒杰,朱江皓,傅晓飞,方陈,梁达明,&周云.(2022).基于集成学习的电动汽车充电站超短期负荷预测.上海交通大学学报,56(8),1-10.
MLA	李恒杰,et al."基于集成学习的电动汽车充电站超短期负荷预测".上海交通大学学报 56.8(2022):1-10.