《電子技術應用》
您所在的位置:首頁 > 其他 > 設計應用 > 基于XGBoost與LightGBM集成的 電動汽車充電負荷預測模型
基于XGBoost與LightGBM集成的 電動汽車充電負荷預測模型
2022年電子技術應用第9期
吳 丹1,雷 珽1,,李芝娟2,,王 寧3,段 艷3
1.國網(wǎng)上海市電力公司,,上海200122,;2.浦東供電公司,,上海200122,;3.同濟大學 汽車學院,上海201804
摘要: 隨著電動汽車規(guī)模化發(fā)展,,充電站負荷對電網(wǎng)造成一定影響,,為保障電網(wǎng)平穩(wěn)運行,提出一種基于極端梯度提升(eXtreme Gradient Boosting,,XGBoost)與輕量級梯度提升機(Light Gradient Boosting Machine,,LightGBM)融合的電動汽車充電負荷預測模型。該方法運用Stacking集成學習的策略:首先根據(jù)時間特征與歷史負荷數(shù)據(jù)采用XGBoost與LightGBM算法構建負荷預測的基學習器,,然后采用嶺回歸(Ridge Regression,,RR)算法將基學習器的輸出結(jié)果進行融合之后輸出負荷預測值。為了對比多種不同的負荷預測模型,,采用上海市嘉定區(qū)的充電站訂單數(shù)據(jù)進行試驗,,結(jié)果表明,該方法所構建的負荷預測模型相比單一算法模型具有更高的預測準確度,,對電網(wǎng)平穩(wěn)運行有一定理論及實用價值,。
中圖分類號: TM910.6;U469.72
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.212316
中文引用格式: 吳丹,,雷珽,,李芝娟,等. 基于XGBoost與LightGBM集成的電動汽車充電負荷預測模型[J].電子技術應用,,2022,,48(9):44-49.
英文引用格式: Wu Dan,Lei Yu,,Li Zhijuan,,et al. Electric vehicle charging load forecasting based on XGBoost and LightGBM integration model[J]. Application of Electronic Technique,2022,,48(9):44-49.
Electric vehicle charging load forecasting based on XGBoost and LightGBM integration model
Wu Dan1,,Lei Yu1,Li Zhijuan2,,Wang Ning3,,Duan Yan3
1.State Grid Shanghai Municipal Electric Power Company,Shanghai 200122,,China,; 2.State Grid Shanghai Pudong Electric Power Supply Company,Shanghai 200122,,China,; 3.Institute of Automobile,Tongji University,,Shanghai 201804,,China
Abstract: With the scale development of electric vehicles, the load of charging stations has a certain impact on the power grid. In order to ensure the power grid run steadily, an electric vehicle charging load forecasting model based on the integration of eXtreme Gradient Boosting(XGBoost) and Light Gradient Boosting Machine(LightGBM) is proposed. This method uses the strategy of stacking integrated learning. Firstly, the base models of load forecasting are constructed based on XGBoost and LightGBM respectively. And then Ridge Regression(RR) algorithm is used to fuse the output results of the base models, the fusion result is the load forecasting value. Based on a variety of different load forecasting models, comparative experiments are carried out with the order data of charging station located in Jiading District, Shanghai. The results show that the load forecasting model constructed by this method has higher forecasting accuracy than the model based on single algorithm, and has certain theoretical and practical value for the smooth operation of power grid.
Key words : electric vehicle;load forecasting;Stacking integrated learning

0 引言

    近年來電動汽車的保有量快速上升,,電動汽車規(guī)?;瘜﹄娋W(wǎng)的輸電網(wǎng)絡、配電網(wǎng)絡,、充電設施等多方面帶來影響[1-8],,因此準確的電動汽車充電負荷預測對于電網(wǎng)平穩(wěn)運行具有重要意義。

    電動汽車充電負荷預測是根據(jù)過去一段時間的用電負荷及日期類型等相關數(shù)據(jù)預測未來一段時間的用電負荷[9],,構建準確的電動汽車充電負荷預測模型不僅有利于電網(wǎng)對充電站的充電負荷進行調(diào)度與管理,,也有利于充電站制定科學的運營計劃。不少國內(nèi)外學者從用戶端及車端出發(fā)對電動汽車的充電負荷預測展開了研究[10-18],,通過融合電動汽車出行特征,、用戶行為特點和道路交通狀況等因素,建立電動汽車充電負荷預測模型,。真實的充電過程與從車端仿真結(jié)果存在差異,,所以從充電站端得到的負荷預測結(jié)果比車端更能真實反映電動汽車充電對電網(wǎng)造成的影響。目前從充電站端對充電負荷進行預測的相關研究較少,,并多數(shù)是以深度學習算法構建負荷預測模型,,具有一定局限性,例如文獻[19]采用模糊聚類分析與BP神經(jīng)網(wǎng)絡相結(jié)合的方法建立電動汽車充電負荷的短期預測模型,,文獻[20]采用隨機森林與神經(jīng)網(wǎng)絡相結(jié)合的方法建立電動汽車充電站短期負荷的預測模型,,深度學習算法在輸入序列較長時存在梯度消失問題,模型無法克服對異常值敏感的缺點,,導致模型預測準確度變差,。

    針對上述問題,本文從充電站端的數(shù)據(jù)出發(fā),,通過挖掘電動汽車充電負荷隨時間的變化規(guī)律,,提取負荷影響因素作為模型的輸入特征。為了實現(xiàn)較高的負荷預測準確度,,本文采用數(shù)據(jù)挖掘比賽中表現(xiàn)優(yōu)異的XGBoost與LightGBM算法分別構建負荷預測模型,,再結(jié)合Stacking集成學習的策略,利用嶺回歸模型將XGBoost與LightGBM模型的輸出結(jié)果進行融合之后再輸出,。實驗結(jié)果表明,,XGBoost與LightGBM模型實現(xiàn)了較高的預測準確度高,再采用Stacking集成學習方法將XGBoost與LightGBM模型的預測結(jié)果進行融合后,,模型的預測準確度得到了進一步提升,。




本文詳細內(nèi)容請下載:http://forexkbc.com/resource/share/2000004919




作者信息:

吳  丹1,,雷  珽1,,李芝娟2,,王  寧3,段  艷3

(1.國網(wǎng)上海市電力公司,,上海200122;2.浦東供電公司,,上海200122,;3.同濟大學 汽車學院,上海201804)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權禁止轉(zhuǎn)載,。