智能电网中电动汽车充电站短期负荷预测模型研究

《智能电网中电动汽车充电站短期负荷预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TM734密级：不保密UDC：621.3学校代码：11065硕士学位论文智能电网中电动汽车充电站短期负荷预测模型研究常德政指导教师张智晟教授学科专业名称电气工程论文答辩日期2015年5月30日摘要随着我国特高压战略的实施和智能电网建设的推进，我国电网的智能化、互动化程度逐步提高。然而规模化太阳能、风能发电场的平滑入网，电动汽车的日益普及，微网的迅速发展等，也将对电网的负荷模式产生巨大的影响，增加了负荷预测的难度。因此，如何提高智能电网负荷预测的精度，对于提高我国未来电网运行的安全性和稳定性具有重要意义。本文从智能电网负荷预测的一点出发，即电动汽车充电站的短期负荷预测，来探究提高

2、电动汽车充电站的短期负荷预测精度的方法。电动汽车的逐渐普及是未来社会发展的必然趋势，届时大量的充电负荷将会冲击当地电网，影响其稳定性。因此，电动汽车的负荷预测是在未来智能电网中需要探讨研究的一个非常必要的方向。RBF-NN短期负荷预测模型具有训练速度快，不会陷入局部极小值等特点，本文首先采用RBF-NN短期负荷预测模型进行预测，并将预测结果与单一BP-NN短期负荷预测模型作比较，验证了RBF-NN短期负荷预测模型的实用性和有效性。由于电动汽车充电负荷曲线具有较强不确定性，平滑性差，采用单一RBF-NN预测模型的预测精度仍然较大。为了进一步提高电动汽车充电站短期负荷预测的精度，本文又提出

3、了基于模糊控制在线修正RBF-NN短期负荷预测模型的方法，该方法采用模糊控制原理对RBF-NN短期负荷预测模型的结果进行在线修正，预测精度与单一RBF-NN短期负荷预测模型相比，精度有了进一步的提高，证明了基于模糊控制在线修正RBF-NN短期负荷预测模型的方法的优越性，为电动汽车充电站短期负荷预测的应用实践提供了较强的理论依据。关键词：智能电网；电动汽车充电站；短期负荷预测；RBF-NN；模糊控制AbstractWiththeimplementationofUHVstrategyandtheadvanceofsmartgrid,theintelligentandinteractiveo

4、fChina'spowergridisincreasedgradually.However,thesmoothconnectiontothegridoflarge-scalesolarpowerandwindpowerfarm,thegrowingpopularityofelectricvehiclesandtherapiddevelopmentofmicrogrid,etc,whichwillhaveahugeimpactonloadmodeofthegrid,andincreasethedifficultyofloadforecasting.Assuch,improvingthea

5、ccuracyoftheloadforecastingoftheSmartGridhasgreatsignificanceforthesecurityandstabilityofgridinthefuture.ThepaperstudiesfromonepartofloadforecastingoftheSmartGrid,whichiscalledtheshort-termloadforecastingofelectricvehiclechargingstations,exploringwaystoimprovetheshort-termloadforecastingprecisio

6、nofelectricvehiclechargingstations.Popularityofelectricvehiclesistheinevitabletrendofsocialdevelopment,alargenumberofelectricvehiclechargingloadwillhaveagreaterimpactontheregionalpowergrid,assuch,theloadforecastingofelectricvehicleisanimportantpartoftheloadforecastingofSmartGridinthefuture.TheRB

7、F-NNshort-termloadforecastingmodelhasthefeaturesoffastertrainingspeedandwillingnotfallintothelocalminimumvalue,thepaperusestheRBF-NNshort-termloadforecastingmodelforpredicting,andthepredictedresultsarecomparedwithBP-NNshort-