基于PSO-SNN的電動汽車充電站短期負(fù)荷預(yù)測模型研究

王　哲　代兵琪　李相棟（. 青島大學(xué)，山東 青島　6607；. 國網(wǎng)山東省電力公司檢修公司，濟(jì)南　50000）

?

基于PSO-SNN的電動汽車充電站短期負(fù)荷預(yù)測模型研究

王哲1代兵琪1李相棟2
（1. 青島大學(xué)，山東 青島266071；2. 國網(wǎng)山東省電力公司檢修公司，濟(jì)南250000）

摘要本文以某電動汽車充電站的實測充電功率數(shù)據(jù)和天氣預(yù)報數(shù)據(jù)為理論依據(jù)，分析了電動汽車充電站的負(fù)荷特性。構(gòu)建了基于粒子群優(yōu)化脈沖神經(jīng)網(wǎng)絡(luò)的電動汽車充電站短期負(fù)荷預(yù)測模型，脈沖神經(jīng)網(wǎng)絡(luò)采用脈沖發(fā)放時間進(jìn)行信息的編碼及處理，具有計算能力強(qiáng)、信息容量大和實時性好的特點。通過仿真算例對比可知，本文提出的預(yù)測模型比傳統(tǒng)BP-NN預(yù)測模型的預(yù)測誤差在四個季節(jié)的測試日分別降低了8.59%、9.28%、12.06%和8.72%，證實所提出的模型具有較高的預(yù)測精度。

關(guān)鍵詞：電動汽車充電站；短期負(fù)荷預(yù)測；脈沖神經(jīng)網(wǎng)絡(luò)；粒子群算法

Research of Short-Term Load Forecasting Model for Electrical Vehicle Charging Stations based on PSO-SNN

Wang Zhe1Dai Bingqi1Li Xiangdong2
（1. Qingdao University， Qingdao， Shandong266071；
2. Maintenance Company of Shandong Power Company， Ji’nan250000）

Abstract The load characteristic of the electric vehicle charging station is analyzed based on the weather forecast data and measured power data. A short-term load forecasting model for electrical vehicle charging stations based on particle swarm optimized spike neural network is built in this paper. Spike neural network encode information in the timing of single spike， making it with strong calculating ability， large information capacity and good real time capability. Verifies with simulation example， the errors of prediction model proposed in this paper are less than the traditional BP-NN model for 8.59%、9.28%、12.06% and 8.72% respectively in four seasons， so the model has a better prediction accuracy.

Keywords：electric vehicle charging stations; short-term load forecasting; spike neural network; particle swarm optimized

隨著全球變暖趨勢的加劇，化石資源的日益枯竭，電動汽車因其具有節(jié)能和減排作用，逐漸為新能源汽車發(fā)展的主要方向[1-2]。大規(guī)模使用電動汽車既能保護(hù)環(huán)境[3]，又能削峰填谷、提高電網(wǎng)的穩(wěn)定性和經(jīng)濟(jì)效益。充電站負(fù)荷具有較大的隨機(jī)性和間歇性，對其進(jìn)行短期負(fù)荷預(yù)測研究具有理論價值和實踐意義。一方面，對于電力系統(tǒng)經(jīng)濟(jì)調(diào)度意義重大[4-6]；另一方面，充電站自身的建設(shè)規(guī)劃也需要預(yù)測充電功率數(shù)據(jù)的支持。本文首先分析了充電站的日負(fù)荷特性，然后建立基于粒子群優(yōu)化脈沖神經(jīng)網(wǎng)絡(luò)（PSO-SNN）預(yù)測模型對充電站日負(fù)荷曲線進(jìn)行預(yù)測，并與BP-NN預(yù)測模型進(jìn)行比較。實際算例表明，本文提出的預(yù)測模型具有一定的實用價值。

1　電動汽車充電站負(fù)荷特性分析

1.1概述

類似于傳統(tǒng)的電力負(fù)荷，分析電動汽車充電站的負(fù)荷特性有助于提高充電站負(fù)荷預(yù)測的精度。通過對相關(guān)數(shù)據(jù)分析發(fā)現(xiàn)，電動汽車充電站的負(fù)荷特性主要受到了日類型、氣象、季節(jié)等因素的影響。因此，本文確立以日類型、氣象、季節(jié)因素作為影響電動汽車充電功率的主要因素。

1.2負(fù)荷影響因素

1）日類型因素

根據(jù)居民的日常乘坐需求，公交公司對電動汽車的調(diào)度在工作日與周末不同，因此不同日類型充電站的日負(fù)荷曲線有所不同。表1是某電動汽車充電站按日類型做出的2013年各日最高負(fù)荷全年均值和日平均負(fù)荷全年均值統(tǒng)計。從表中可以看出，全年工作日充電站負(fù)荷值明顯小于周末值。這是因為在工作日只有在上下班時段居民對電動汽車的需求較多，在其他時段對電動汽車的需求較少；在周末居民的出行活動較多，對電動汽車的需求相對較多，這就導(dǎo)致了公交公司在周末調(diào)度的電動汽車數(shù)量較多。

表1　不同日類型負(fù)荷分析

2）氣象因素

通過對充電站充電功率與氣象數(shù)據(jù)的分析發(fā)現(xiàn)，充電站負(fù)荷主要受氣溫、天氣類型因素的影響，受其他因素影響很小。因此，本文主要討論了氣溫、天氣類型對充電站負(fù)荷的影響。

當(dāng)外界氣溫較高或較低時，車輛就會使用空調(diào)，耗能就會增大，充電次數(shù)就會相應(yīng)增加，總的充電功率就會增大。此外，溫度對車輛的電池容量影響很大，電池充電時間在不同溫度下也會有所差別[7-8]，也會使負(fù)荷曲線出現(xiàn)不同的變化趨勢。

圖1是某電動汽車充電站2013年6月27日、7月4日、7月11日連續(xù)三個周四的日負(fù)荷曲線。這三天的最高溫度分別為25℃、28℃和30℃。由圖中可以看出，隨著溫度的升高，充電站的負(fù)荷曲線呈上升趨勢。

天氣類型主要影響電動汽車的行駛和居民的出行情況。雨雪天氣時，居民的出行相對減少，電動汽車的調(diào)度數(shù)量也會減少；電動汽車的行駛速度較慢，日充電次數(shù)就會相應(yīng)減少[9]。圖2是2013年2月28日、3月1日充電站日負(fù)荷曲線，天氣類型分別為陣雨和晴。

圖1　溫度變化對充電站日負(fù)荷曲線的影響

由圖2可以看出，3月1日的充電功率明顯大于2 月28日。這是因為雨雪天氣居民出行減少，同時電動汽車的行駛速度減慢，充電次數(shù)減少。

圖2　天氣類型對充電站日負(fù)荷曲線的影響

3）季節(jié)因素

電動汽車充電功率受季節(jié)因素影響明顯。圖3是充電站在春、夏、秋、冬四季的日負(fù)荷特性曲線。

圖3　季節(jié)因素對充電站日負(fù)荷曲線的影響

由圖3可知，夏冬兩季的日負(fù)荷曲線明顯高于春秋兩季。這是因為夏冬兩季電動汽車內(nèi)空調(diào)負(fù)荷較多，電動汽車的整體耗能較大，造成電動汽車的日充電次數(shù)較多。因此，在進(jìn)行充電站負(fù)荷預(yù)測時，有必要將與測試日季節(jié)相同的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。

除上述因素外，充電站負(fù)荷的變化趨勢是以周為周期進(jìn)行變化的，相鄰兩周的充電功率及其規(guī)律極為相似。

2　PSO-SNN預(yù)測模型

2.1脈沖神經(jīng)網(wǎng)絡(luò)

基于脈沖神經(jīng)元的脈沖神經(jīng)網(wǎng)絡(luò)（spike neural network，SNN）被稱為第三代神經(jīng)網(wǎng)絡(luò)。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，SNN 計算能力更加強(qiáng)大，可以傳遞更多的信息。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同，SNN采用脈沖發(fā)放時間進(jìn)行編碼，這種編碼方式具有實時性，更加接近于真實的神經(jīng)元，在處理負(fù)荷預(yù)測等實時問題上有更大的優(yōu)勢。因此，本文將SNN模型應(yīng)用于電動汽車充電站短期負(fù)荷預(yù)測中。

1）脈沖神經(jīng)元模型

常用的脈沖神經(jīng)元模型有Hodgkin-Huxley （H＆H）模型、Integrate-and-fire（I＆F）模型和Spike Response Model（SRM）模型。基于電導(dǎo)率的I＆F模型比H＆H模型清晰明了；它是SRM模型的特殊形式，不用像SRM模型那樣描述脈沖發(fā)放時間外的響應(yīng)過程，并且用I＆F模型描述的神經(jīng)元行為具有高度的準(zhǔn)確性，因此本文構(gòu)建的SNN預(yù)測模型采用I＆F神經(jīng)元，如圖4所示。

圖4　I＆F神經(jīng)元等效電路

該電路可以用如下方程描述[10-11]：

式中，u（ t）是神經(jīng)元的膜電位，cs是神經(jīng)元的膜電容，gL是神經(jīng)元的漏電導(dǎo)率，EL是反向電勢，I（ t）是神經(jīng)元的輸入電流。

脈沖神經(jīng)元將外界信息編碼成脈沖觸發(fā)時間，觸發(fā)時間作為輸入。當(dāng)突觸后神經(jīng)元的膜電位u（ t）根據(jù)式（1）累加到閥值電壓uth時，將被激發(fā)產(chǎn)生一個脈沖，該脈沖出現(xiàn)的時間ta作為該神經(jīng)元的輸出[12]。該神經(jīng)元發(fā)出一個脈沖之后，膜電位立刻復(fù)位到復(fù)位電壓ures，并且持續(xù)一個時長為tref的不應(yīng)期。在不應(yīng)期期間，即使有很強(qiáng)的信號輸入，神經(jīng)元也不再積累膜電位。不應(yīng)期之后，該神經(jīng)元從新進(jìn)行膜電位的積累。

2）SNN預(yù)測模型

圖5為典型的SNN預(yù)測模型。該預(yù)測模型具有p× q× n三層結(jié)構(gòu)，p表示脈沖神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點個數(shù)，q表示隱含層節(jié)點個數(shù)，n表示輸出層節(jié)點個數(shù)。ti（ i＝1，2，...，p ）為網(wǎng)絡(luò)的輸入脈沖，th（ h＝1，2，...，q）為隱含層的輸出序列，tj（ j＝1，2，...，n）為網(wǎng)絡(luò)的輸出序列。

圖5　典型的SNN預(yù)測模型

與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，SNN的任意兩層之間的神經(jīng)元之間有更多的突觸連接，如圖6所示。

圖6　兩脈沖神經(jīng)元之間的突觸示意圖

如圖6所示，m是兩神經(jīng)元e和f之間的突觸個數(shù)，dk是兩神經(jīng)元間第k條突觸的延時，Wekf是其中第k條突觸的權(quán)重，Yekf是輸入神經(jīng)元e對輸出神經(jīng)元f第k條突觸未經(jīng)加權(quán)的貢獻(xiàn)，可由式（2）求得

式中，ε（t ）是對應(yīng)的脈沖響應(yīng)函數(shù)，其表達(dá)式為

式中，τ是對應(yīng)的膜電位延時時間常數(shù)。

綜上可知，輸入神經(jīng)元e對輸出神經(jīng)元f的綜合貢獻(xiàn)為

在tf時刻，輸出神經(jīng)元f的膜電位uf（ t）達(dá)到其閥值，tf即為該神經(jīng)元的輸出。

2.2基于PSO的SNN優(yōu)化學(xué)習(xí)算法

粒子群算法（Particle Swarm Optimization，PSO）是一種全局尋優(yōu)算法[13]，它能夠有效地優(yōu)化各種函數(shù)：設(shè)m個粒子在一個n維空間中搜索，粒子種群x＝[x1， x2，...，xm]，xi＝[xi1， xi2，...，xin]為第i個粒子的n維位置矢量，νi＝[νi1， νi 2，...，νin]為粒子i的飛行速度，pi＝[pi1， pi2，...，pin]為個體最優(yōu)位置，pg＝[ pg1，pg2， ...，pgn]為群體最優(yōu)位置。粒子的速度和位置更新公式如下：

式中，νid（ k）和xid（ k）分別表示第i個粒子在第k次迭代中第d維上的速度和位置，ω表示慣性系數(shù)，c1、c2表示學(xué)習(xí)因子，r1、r2表示0～1之間的隨機(jī)數(shù)，用來保持種群的多樣性。

慣性系數(shù)ω對粒子群算法性能影響很大，用以權(quán)衡粒子群算法中局部和全局尋求最優(yōu)解的能力，ω較大時，全局搜索能力強(qiáng)；ω較小時，局部搜索能力強(qiáng)。本文采用動態(tài)的慣性系數(shù)，其迭代公式如下：

式中，ωmax為初始權(quán)重，ωmin為最終權(quán)重，kmax為最大迭代次數(shù)，k為當(dāng)前迭代次數(shù)。

PSO優(yōu)化SNN預(yù)測模型的流程如圖7所示。

圖7 PSO優(yōu)化SNN流程圖

3　算例分析

為了驗證所建立的模型的有效性，本文采用某電動汽車充電站2013年的負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)作為樣本，分別采用BP-NN預(yù)測模型、PSO-SNN預(yù)測模型對未來某日24小時96點充電功率進(jìn)行預(yù)測。

3.1充電站負(fù)荷影響因素數(shù)據(jù)處理

樣本數(shù)據(jù)由于量綱不同，數(shù)值差別很大，會影響預(yù)測模型的效果。因此，需要對其進(jìn)行歸一化之后再進(jìn)行運算。

日類型因素分為工作日與周末兩類，對應(yīng)的影響因子分別取1和0.5。

日類型因素分為晴天、多云（含陰天）、雨雪天氣三類，對應(yīng)的影響因子分別取1、0.8和0.5。

溫度在很大范圍內(nèi)波動，需要將其歸一化到 （0，1）之間，對應(yīng)的公式如下：

式中，Tn是歸一化之后的溫度，To是歸一化之前的溫度，Tmax是歸一化之前的最大溫度，Tmin是歸一化之前的最小溫度。

3.2算例分析

在BP-NN預(yù)測模型中，隱含層神經(jīng)元個數(shù)取15，動量因子為0.9，學(xué)習(xí)速率為0.01，最大訓(xùn)練次數(shù)取10000，訓(xùn)練目標(biāo)取0.001。

在PSO-SNN預(yù)測模型中，隱含層神經(jīng)元個數(shù)取15，神經(jīng)元間的突觸個數(shù)取12，膜電位延時時間常數(shù)取7，學(xué)習(xí)速率為0.01，最大訓(xùn)練次數(shù)取10000，訓(xùn)練目標(biāo)取0.001。

分別采用BP-NN和PSO-SNN模型對春季測試日（3月14日）、夏季測試日（8月25日）、秋季測試日（10月20日）、冬季測試日（12月25日）的充電站負(fù)荷進(jìn)行預(yù)測，預(yù)測結(jié)果如圖8—圖11所示。由圖可以看出，SNN模型的預(yù)測精度明顯高于BP-NN模型的預(yù)測精度，兩種預(yù)測模型誤差指標(biāo)比較見表2。

圖8　春季測試日負(fù)荷真實值與預(yù)測值對比

圖9　夏季測試日負(fù)荷真實值與預(yù)測值對比

圖10　秋季測試日負(fù)荷真實值與預(yù)測值對比

圖11　冬季測試日負(fù)荷真實值與預(yù)測值對比

測試季節(jié)　春季　夏季　秋季　冬季PSO-SNN模型平均絕對預(yù)測誤差/%　9.87　11.23　12.48　11.62 BP-NN模型平均絕對預(yù)測誤差/%　18.46　20.51　24.54　20.34

由表2可知，與BP-NN預(yù)測模型相比，PSO-SNN預(yù)測模型的平均絕對預(yù)測誤差在四個季節(jié)的測試日分別降低了8.59%、9.28%、12.06%和8.72%。由此可見，PSO-SNN模型的預(yù)測精度明顯高于BP-NN模型。

4　結(jié)論

本文分析了電動汽車充電站的負(fù)荷特性，構(gòu)建了基于PSO-SNN的電動汽車充電站短期負(fù)荷預(yù)測模型，通過驗證可知，PSO-SNN預(yù)測模型的預(yù)測精度有了有效提高，為PSO-SNN預(yù)測模型在電動汽車充電站短期負(fù)荷預(yù)測中應(yīng)用奠定了理論基礎(chǔ)。隨著國家對電動汽車的大力推廣，電動汽車充電站自身的特有屬性以及與其影響因素的內(nèi)在聯(lián)系將會被進(jìn)一步發(fā)現(xiàn)，本文提出的預(yù)測模型的精度將會進(jìn)一步提高。

參考文獻(xiàn)

[1]陳良亮， 張浩， 倪峰， 等. 電動汽車能源供給設(shè)施建設(shè)現(xiàn)狀與發(fā)展探討[J]. 電力系統(tǒng)自動化， 2011，35（14）: 11-17.

[2]徐立中， 楊光亞， 許昭， 等. 電動汽車充電負(fù)荷對丹麥配電系統(tǒng)的影響[J]. 電力系統(tǒng)自動化， 2011，35（14）: 18-23.

[3]雷黎， 劉權(quán)彬. 電動汽車使用對電網(wǎng)負(fù)荷曲線的影響初探[J]. 電機(jī)技術(shù)， 2000（1）: 37-39.

[4]廖旎煥， 胡智宏， 馬瑩瑩， 等. 電力系統(tǒng)短期負(fù)荷預(yù)測方法綜述[J]. 電力系統(tǒng)保護(hù)與控制， 2011， 39（1）: 147-152.

[5]康重慶， 夏清， 劉梅. 電力系統(tǒng)負(fù)荷預(yù)測[M]. 北京:中國電力出版社， 2007.

[6]牛東曉， 曹樹華， 盧建昌， 等. 電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M]. 北京: 中國電力出版社， 1998.

[7]范美強(qiáng)， 廖維林， 吳伯榮， 等. 電動車用MH-Ni電池溫度特性研究[J]. 電池工業(yè)， 2004， 9（6）: 287-289.

[8]張慶， 李革臣. 鋰離子電池充放電特性的研究[J].自動化技術(shù)與應(yīng)用， 2008， 27（12）: 107-109.

[9]何杰， 劉霞， 陳一鍇， 等. 惡劣天氣路面條件對行車安全的影響[J]. 交通運輸工程學(xué)報， 2011， 11（1）: 58-63.

[10]Bharatg A， Maria P. Next Generation artificial vision systems:Reverse engineering the human visual system[M]. london: aretch house， 2008.

[11]Dayan P， Abbott L. Theoretical neuroscience: Computational and mathematical modeling of neural systems[M]. massachusetts: mit press， 2001.

[12]Kulkarni S， Sishaj PS， Sundareswaran K. A spiking neural network （SNN） forecast engine for shorttermelectrical load forecasting[J]. Applied Soft Computing， 1996， 13（1）: 3628-3635.

[13]楊淑瑩， 張樺. 群體智能與仿生計算-Matlab技術(shù)實現(xiàn)[M]. 北京: 電子工業(yè)出版社， 2012.

王哲（1989-），男，山東省菏澤市人，碩士研究生，主要研究方向為電力系統(tǒng)短期負(fù)荷預(yù)測。

作者簡介