基于深度学习分位数回归模型的充电桩负荷预测

• 作者: 张恒 彭曙蓉 李彬 郑国栋 黄士峻
• 来源期刊: 电力系统保护与控制
• 关键词: LSTM 充电桩 充电负荷 分位数回归 概率密度预测
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 理论分析
• 页码范围: 44-50
• 页数: 7页
• 字数: 5141字
• 语种: 中文
• DOI: 10.19783/j.cnki.pspc.190289

摘要

电动汽车的迅速发展将使充电桩负荷对电网造成影响,为此提出了使用深度学习分位数回归的充电桩负荷预测方法.该方法首先根据历史数据采用Adam随机梯度下降法训练出不同分位数条件下的LSTM神经网络参数估计,然后预测未来96 h内各分位数条件下的结果,再用核密度估计做出同一时刻结果的概率密度函数,最终得到负荷概率密度预测.根据实际充电桩负荷结果表明,提出的概率密度预测方法能较为精准地覆盖真实值,相比于BP神经网络分位数回归有着更高的精确度和参考价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	彭曙蓉	长沙理工大学电气与信息工程学院	23	155	8.0	12.0
2	张恒	长沙理工大学电气与信息工程学院	2	0	0.0	0.0
3	李彬	长沙理工大学电气与信息工程学院	11	118	5.0	10.0
4	黄士峻	长沙理工大学电气与信息工程学院	4	20	1.0	4.0
5	郑国栋	长沙理工大学电气与信息工程学院	3	20	1.0	3.0