文献类型：期刊文章

作　　者：王哲[1] 万宝[2] 凌天晗[2] 董晓红[3] 穆云飞[3] 邓友均[3] 唐舒懿[3]

WANG Zhe;WAN Bao;LING Tianhan;DONG Xiaohong;MU Yunfei;DENG Youjun;TANG Shuyi(State Grid Tianjin Electric Power Company,Tianjin 300010,China;State Grid Tianjin Binhai Electric Power Company,Tianjin 300450,China;Key Laboratory of Smart Grid of Ministry of Education(Tianjin University),Tianjin 300072,China)

机构地区：[1]国网天津市电力公司,天津市300010 [2]国网天津市电力公司滨海供电分公司,天津市300450 [3]智能电网教育部重点实验室(天津大学),天津市300072

出　　处：《电力建设》

基　　金：国网天津市电力公司科技项目(KJ20-1-38)。

年　　份：2021

卷　　号：42

期　　号：6

起止页码：58-66

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目前电动公交车的渗透率较大,且充电频率和充电量较高,故而其充电负荷对电网运行与调度产生着不可忽略的影响。因此,电动公交车的充电负荷预测研究具有重要的理论与现实意义,但由于公交车间歇性与随机性的充电行为在时间上给充电负荷预测增加了难度。为此,提出基于谱聚类和长短期记忆(long short-term memory,LSTM)神经网络的电动公交车充电负荷预测方法。首先,利用考虑距离与形态的谱聚类,对充电负荷曲线进行聚类;其次,综合考虑影响充电负荷的关键因素,如温度、日类型等,利用不同簇的总充电负荷,分别训练LSTM神经网络的模型参数,并预测每簇的充电负荷;接着,对不同簇的预测结果求和即可得到预测日的总充电负荷;最后,通过利用某市实际数据,验证本文所提方法。结果表明,所提方法充电负荷预测结果的平均绝对百分误差(mean absolute percentage error,MAPE)在11%以下,预测准确度有所提升。

关 键 词：谱聚类 长短期记忆网络(LSTM)  电动公交车 负荷预测

分 类 号：TM715]