2017第六届新能源发电系统技术创新大会

中国电工技术学会主办，2017年6月21-24日在河北省张北县召开，大会围绕新能源发展战略、系统关键技术、微电网及储能等重要议题展开交流。浏览会议详情和在线报名参会请关注微信号“电气技术”。

山东电力公司泰安供电公司、山东电力公司高密供电公司、山东电力公司平阴供电公司的研究人员陈希强、刘志欣、李兴波，在2017年第2期《电气技术》杂志上撰文，针对电动汽车充电站充电功率随机性大的难题，本文建立了ELman反馈式神经网络预测模型，然后采用粒子群算法对其进行优化，接着将优化之后的模型与模糊控制相结合，最终建立三种模型相结合的组合预测模型，并以青岛地区某一充电站的实际负荷数据为算例，验证了组合预测模型的有效性，提高了电动汽车充电站短期负荷预测的精度。

电动汽车的快速发展给电网带来巨大的冲击，尤其在短期负荷预测领域，电动汽车充电负荷的随机性非常大，给短期负荷预测带来困难[1]，为了提高短期负荷预测的精度，有必要对电动汽车充电站单独进行短期负荷预测。

目前关于电动汽车充电站短期负荷预测的研究历史不长，国内外学者主要研究思路为：首先分析负荷数据，选出相关性较大的影响因子，然后选择神经网络、支持向量机等单一模型及其改进模型建立预测模型，预测精度有所保障，但仍有待进一步提高。

神经网络模型具有自我学习能力强、能够较好逼近任意非线性函数的优点，在电动汽车充电站短期负荷预测领域仍是一种有效的预测方法。其中，ELman神经网络属于反馈式神经网络，能够将前一时刻隐含层的输出结果保存下来，具有更好的动态控制效果。

ELman神经网络模型在训练过程中将误差反向传播，计算出的误差梯度是近似值，难免影响权值的调整，而粒子群算法是一种寻优方法，具有良好的全局搜索能力，能够有效解决模型陷入局部最优的问题。采用粒子群算法对ELman神经网络进行优化，能够更好的训练网络，快速优化出网络最佳权值。

神经网络虽然能够处理任意非线性问题，但无法证明其推理过程，而模糊控制的推理能力强，能够模仿人脑功能，处理只能依靠经验判断而无法依靠公式表述的问题。因此，将模糊控制引入神经网络模型中，从而使预测模型具有两者共同的优势。

本文考虑了Elman神经网络、粒子群优化算法以及模糊控制三种模型，最终建立了基于三者的组合预测模型，实现了三种模型之间的优势互补，同时更加全面的考虑了负荷数据、日类型、气象状况等影响因素，预测结果表明，组合预测模型能够有效提高预测精度。

图1 Elman神经网络结构示意图

结论

本文以ELman神经网络为基础，采用粒子群算法对其优化，优化后的预测模型又与模糊控制建立了组合预测模型，仿真结果表明，对于秋季预测日，采用PSO单独优化Elman神经网络，误差可以减少1.1%，而融入三种模型的组合预测模型，可以将误差进一步减小0.8%；对于冬季预测日，采用PSO单独优化Elman神经网络，误差可以减少0.9%，而融入三种模型的组合预测模型，可以将误差进一步减小0.9%。

由于冬季电动汽车负荷数据的随机性更大的缘故，组合预测模型对于秋季预测日和冬季预测日的预测误差仍存在约2%的差距，但并不影响说明组合预测模型的有效性。

进一步阅读，请访问期刊官方网站，可下载全文PDF版。