一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法

摘要

本发明公开了一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，选取充换电站的日充电负荷作为样本数据，单日负荷状态可由当日的6个时间点的负荷来标记；分析影响电动汽车充电负荷的特征变量，运用模糊C均值聚类分析法对样本和预测日数据进行聚类，选取与预测日相似度最高的负荷数据作为ε‑SVR的训练集；在训练集中，按照时间进行排序，选取初始3日的负荷数据作为输入量，第4日的负荷数据作为输出量，运用分步网格搜索法训练ε‑SVR的松弛变量参数C和RBF核函数中的宽度参数σ；以距离目标预测日最近的3日的负荷数据作为输入变量代入训练完成的ε‑SVR，计算得出预测日的充电负荷，重复进行6遍，形成预测日完整的负荷分布情况。

主权项

一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：1)选取某个时间段内充换电站的日充电负荷作为样本数据，对一天的24个小时按照每4个小时为一份，等分成6份，记为6个关键的时间点，每个时点的负荷数据为该4个小时内的最高负荷，则某一日的负荷状态可由当日的6个时间点的负荷来标记，记为：f_t＝{f_1t,f_2t,f_3t,f_4t,f_5t,f_6t}，其中：t表示日期数；2)分析影响电动汽车充电负荷的特征变量，主要有最高气温、天气状态以及是日期类型，运用模糊C均值聚类分析法对样本和预测日数据进行聚类，选取与预测日相似度最高的负荷数据作为ε‑SVR的训练集；3)在训练集中，按照时间进行排序，选取初始3日的负荷数据作为输入量，第4日的负荷数据作为输出量，运用分步网格搜索法训练ε‑SVR的松弛变量参数C和RBF核函数中的宽度参数σ；4)以距离目标预测日最近的3日的负荷数据作为输入变量代入训练完成的ε‑SVR，计算得出预测日的充电负荷，这里由于每日的完整负荷都是由当日的6个负荷值来描述的，因此以上过程要重复进行6遍，以最终形成预测日完整的负荷分布情况。