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
刊名	上海交通大学学报
	2022-07-11
页码	1-10
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
英文摘要	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.
URL标识	查看原文
语种	中文
内容类型	期刊论文
源URL	[http://ir.lut.edu.cn/handle/2XXMBERH/158718]
专题	电气工程与信息工程学院
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
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,2022:1-10.
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,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 (2022):1-10.