文献类型：期刊文章

作　　者：王毅[1,2,3] 谷亿[1] 丁壮[1] 李松浓[2] 万毅[1] 胡晓锐[2]

WANG Yi;GU Yi;DING Zhuang;LI Songnong;WAN Yi;HU Xiaorui(School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China;Electric Power Research Institute of State Grid Chongqing Electric Power Company,Chongqing 400014,China;Postdoctoral Workstation of State Grid Chongqing Electric Power Company,Chongqing 400014,China)

机构地区：[1]重庆邮电大学通信与信息工程学院,重庆市400065 [2]国网重庆市电力公司电力科学研究院,重庆市400014 [3]国网重庆市电力公司博士后科研工作站,重庆市400014

出　　处：《电力系统自动化》

基　　金：重庆市自然科学基金资助项目（cstc2016jcyjA0214）~~

年　　份：2020

卷　　号：44

期　　号：3

起止页码：114-121

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：提出一种基于经验模态分解-模糊熵和集成学习的电动汽车充电需求预测方法。该方法通过经验模态分解将电动汽车充电需求时间序列分解成相对简单的分量。为了避免分量数量过多导致计算繁琐和误差累积,首先利用模糊熵计算各分量的复杂度,并对分量进行叠加合并得到一系列子序列,减少分量数量;然后对不同频率的子序列,分别使用长短期记忆神经网络和支持向量机作为基学习器进行预测;最后采用Stacking集成学习策略,将基学习器预测结果与天气数据和分解前的充电需求时间序列数据组成特征集,经过一个全连接神经网络的学习得到最终预测结果。基于中国西南某城市中某一区域的电动汽车充电需求真实数据进行单步和多步预测实验,并与其他算法进行了对比,证明了所提方法的可靠性。

关 键 词：电动汽车 充电需求预测  经验模态分解 模糊熵 集成学习  

分 类 号：U491.8[物流管理与工程类] TM910.6]