基于CEEMDAN分解的GA-BP神經(jīng)網(wǎng)絡(luò)電動(dòng)汽車配電網(wǎng)短期負(fù)荷預(yù)測

孫祥晟，陳芳芳，徐天奇，甘 露，王馳鑫，齊 琦，趙 倩

(云南民族大學(xué) 電氣信息工程學(xué)院，云南 昆明 650504)

電能是現(xiàn)代社會(huì)的重要能源，最初應(yīng)用于19世紀(jì)60年代后期第2次工業(yè)革命，工業(yè)從此進(jìn)入了“電氣時(shí)代”.2次工業(yè)革命之后，人類的科技與生產(chǎn)力水平都有了大幅的提升，但同時(shí)也產(chǎn)生了一些消極的影響，例如：煤礦、石油等不可再生資源儲(chǔ)量銳減，環(huán)境污染程度加深.因此人們開始重視環(huán)境保護(hù)和資源有效利用等問題.新能源產(chǎn)業(yè)的崛起成為了一種趨勢，引領(lǐng)了一個(gè)新的方向[1].為響應(yīng)國家十三五發(fā)展計(jì)劃，電動(dòng)汽車的應(yīng)用和普及成為一種必然的趨勢，其高效的電動(dòng)轉(zhuǎn)化效率、零排放和節(jié)約能源廣為世界所認(rèn)可.

電動(dòng)汽車大面積并入電網(wǎng)后也會(huì)產(chǎn)生一系列問題[2].電動(dòng)汽車的大量使用和充電站的并網(wǎng)，將會(huì)對區(qū)域中電力系統(tǒng)造成一定沖擊；隨著大批量電動(dòng)汽車入網(wǎng)會(huì)使電力系統(tǒng)的負(fù)荷大量增加，如何實(shí)現(xiàn)負(fù)荷的削峰填谷和優(yōu)化調(diào)度成為一個(gè)新的難題；能源汽車充電站中汽車的充電行為具有隨機(jī)性和不確定性，使得系統(tǒng)運(yùn)行狀態(tài)一直在變，對電能質(zhì)量有一定不利影響.因此，只有合理的電動(dòng)汽車配電網(wǎng)短期負(fù)荷預(yù)測才能有效保證電力系統(tǒng)安全、經(jīng)濟(jì)、可靠地工作.

1 電動(dòng)汽車配電網(wǎng)短期負(fù)荷預(yù)測概況與影響因素分析

1.1 電動(dòng)汽車配電網(wǎng)短期負(fù)荷預(yù)測概況

隨著城市私家車的增加和政府政策扶持，電動(dòng)汽車產(chǎn)業(yè)得以迅猛發(fā)展，電動(dòng)汽車的使用由獨(dú)立小范圍用電向區(qū)域性并網(wǎng)用電發(fā)展.其負(fù)荷特性呈非線性[3]，一個(gè)比較明顯的特點(diǎn)就是與駕駛?cè)说纳钭飨⒁?guī)律密切相關(guān)；而待測日的配電網(wǎng)負(fù)荷量則和天氣狀況與是否為節(jié)假日相關(guān).隨著駕駛?cè)私Y(jié)束了一天的工作開始給電動(dòng)汽車進(jìn)行充電，電動(dòng)汽車配電網(wǎng)的負(fù)荷有升高的趨勢.在實(shí)際生活中，電動(dòng)汽車配電網(wǎng)負(fù)荷情況會(huì)受多個(gè)因素相互作用影響而成.

電動(dòng)汽車的大面積使用將對傳統(tǒng)電網(wǎng)產(chǎn)生巨大的影響，其配電網(wǎng)并網(wǎng)的過程中，將對電力調(diào)度部門中協(xié)調(diào)發(fā)電機(jī)與負(fù)荷之間平衡產(chǎn)生新的難題.電力的瞬時(shí)特性和不利于儲(chǔ)存的問題就要求負(fù)荷預(yù)測要盡可能的準(zhǔn)確.針對電動(dòng)汽車配電網(wǎng)負(fù)荷預(yù)測這種較為復(fù)雜的非線性預(yù)測，傳統(tǒng)的單一預(yù)測方法分析往往會(huì)存在一些不足和預(yù)測精度不夠的情況，為了提高預(yù)測精度往往會(huì)結(jié)合其他算法進(jìn)行組合預(yù)測.

1.2 負(fù)荷電量影響因素分析

電動(dòng)汽車充電站負(fù)荷受到多種因素的相互制約與作用. 文中對2018年中3個(gè)月的駕駛?cè)俗飨⑸钜?guī)律(充電起始時(shí)間和充電頻率等)、節(jié)假日、天氣狀況和車輛充電地點(diǎn)等數(shù)據(jù)進(jìn)行分析，采用皮爾遜相關(guān)系數(shù)分析每個(gè)因素之間的相互關(guān)系.

首先考慮變量相似性度量.在對數(shù)據(jù)進(jìn)行聚類討論時(shí)，首先就是確定變量的相似性程度，采取的Pearson相關(guān)系數(shù)，數(shù)學(xué)方法如下：

記錄變量x的取值：

(X1j,X2j,…,Xmj)T∈Rm. (j=1,2,…,m)

其中2個(gè)變量xi與xk作為樣本相關(guān)系數(shù)作為他們的相似性度量為：

(1)

經(jīng)過上述公式(1)推導(dǎo)分析出閾值等級，得到結(jié)論：駕駛?cè)藛T的生活規(guī)律為主要因素，并與歷史負(fù)荷數(shù)據(jù)密切相關(guān)呈較強(qiáng)的周期性.其它因素例如充電場所的遷移和天氣因素對其影響較小[4].

在分析了相關(guān)因素的基礎(chǔ)上，筆者為了提高預(yù)測的精度排除了極端天氣狀況和節(jié)假日的情況，采取相似日的選取原理.

1.3 電動(dòng)汽車配電網(wǎng)負(fù)荷預(yù)測方法概述

目前對電動(dòng)汽車配電網(wǎng)負(fù)荷預(yù)測此類數(shù)據(jù)比較主流的估算主要有：可以根據(jù)過去一段時(shí)期的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)測和根據(jù)過去一段時(shí)期特點(diǎn)和數(shù)學(xué)特性建立對應(yīng)的概率模型進(jìn)行估計(jì).目前國內(nèi)外相關(guān)的研究主要集中在這兩個(gè)方面.

文獻(xiàn)[5]以我國21世紀(jì)舉辦奧運(yùn)會(huì)時(shí)期中的新能源汽車樣本為基礎(chǔ)數(shù)據(jù)，根據(jù)每日影響電動(dòng)汽車并網(wǎng)的相關(guān)因素進(jìn)行聚類，模型和相關(guān)因素分析后分別運(yùn)用GM模型、BP模型、模糊聚類和BP相互結(jié)合的組建的模型根據(jù)前一周期的數(shù)據(jù)進(jìn)行對充電站的電動(dòng)車并網(wǎng)數(shù)據(jù)估計(jì).文獻(xiàn)[6]更加詳細(xì)和精確地分析了電動(dòng)公交車的公交調(diào)度特點(diǎn)和電池充電特性，為此設(shè)計(jì)出了根據(jù)其公交調(diào)度和電池使用情況建立了更為精確地?cái)?shù)學(xué)模型用來描述其充電負(fù)荷.文獻(xiàn)[7]綜合借鑒了電動(dòng)公交車并網(wǎng)的規(guī)律和特點(diǎn)對電力系統(tǒng)的各類影響點(diǎn)，采用GM的方法針對性的分析相關(guān)數(shù)據(jù)對充電負(fù)荷進(jìn)行較為準(zhǔn)確地估測.

基于概率模型的統(tǒng)計(jì)學(xué)建模估算方法：文獻(xiàn)[8]分析了關(guān)于歐洲某些國家的駕駛?cè)藛T開車規(guī)律進(jìn)行概率上的數(shù)據(jù)統(tǒng)計(jì)，根據(jù)分析好的數(shù)據(jù)采用MonteCarlo模型擬合出了PHEV充電數(shù)據(jù)隨時(shí)間變化的規(guī)律和特點(diǎn).文獻(xiàn)[9]分析了Canada的數(shù)十輛新能源動(dòng)力交通工具，為了更加準(zhǔn)確地在不同的使用情況，時(shí)間段和電池參數(shù)下進(jìn)行估測.方案1：采用基于GPRS和歷史充電信息的組合型模型分析，方案2：基于模型MonteCarlo和依據(jù)條件密度函數(shù)進(jìn)行建模的方法進(jìn)行綜合分析，進(jìn)行比較.文獻(xiàn)[10]為了應(yīng)對電動(dòng)汽車并網(wǎng)造成的負(fù)荷增加和發(fā)電機(jī)容量增加等問題，此文通過以時(shí)空分布的實(shí)際的信息為依據(jù)進(jìn)行有效估算未來數(shù)據(jù)信息.文獻(xiàn)[11]根據(jù)歐美等發(fā)達(dá)國家中駕駛?cè)藛T的行駛規(guī)律和充電的周期性進(jìn)行數(shù)據(jù)分析，以剛開始運(yùn)行的充電狀態(tài)SOC，剛開始運(yùn)行的充電時(shí)間為參考依據(jù)，分析可得到隨機(jī)性，電機(jī)非滿載和有序的分別的環(huán)境下的負(fù)荷數(shù)據(jù)信息.以上文獻(xiàn)中大部分都是基于組合方法與傳統(tǒng)的方法對比，傳統(tǒng)方法中若對于數(shù)據(jù)考慮不夠充分和出現(xiàn)隨機(jī)性的數(shù)據(jù)后將會(huì)產(chǎn)生很大的不利影響，但是再結(jié)合其它算法對數(shù)據(jù)的進(jìn)一步處理后可以得到預(yù)測效果更好的模型.其中一個(gè)較為廣泛應(yīng)用于故障分析和預(yù)測的CEEMDAN方法就是一個(gè)很好的數(shù)據(jù)前期處理的選擇.

2 EMD和CEEMDAN分解方法

2.1 HHT算法簡介

HHT模型可以優(yōu)化非線性問題里面非平穩(wěn)信號，它由經(jīng)驗(yàn)?zāi)B(tài)分解法EMD和Hilbert變換兩部分構(gòu)成.Huang等[12]認(rèn)為任何信號都是由基礎(chǔ)信號——固有模態(tài)信號或固有模態(tài)函數(shù)IMF(intrinsic mode function)組成，IMF相互疊加就形成現(xiàn)有信號.基于這樣的思想，他們提出HHT分2個(gè)步驟.

EMD：就是把混合的原始信號用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ń馕龀扇舾呻AIMF.

HAS：對選取的IMF進(jìn)行Hilbert變換，得到所需的IMF隨時(shí)間變化的瞬時(shí)頻率和振幅[13]，隨后求得時(shí)間-頻率-振幅的三維譜分布.

2.2 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)

EMD分解是1種通過極值點(diǎn)求包絡(luò)線分解非線性復(fù)雜信號的1種重要方法被廣泛應(yīng)用于負(fù)荷預(yù)測領(lǐng)域.由于EMD分解對于信號的分解具有較高的有效性和完備性.

集成經(jīng)驗(yàn)?zāi)B(tài)分解[14](EEMD)為了克服EMD分解時(shí)的模態(tài)混疊現(xiàn)象.EEMD通過添加輔助的高斯白噪聲的手段來抑制，通過多次添加，來平均和抵消分解過程中添加噪聲的影響；然而，在添加過程的噪聲中，其本征模態(tài)函數(shù)中仍會(huì)留有一定的噪聲影響，雖然可以通過增加噪聲的疊加次數(shù)，但卻消耗了更多的計(jì)算時(shí)間.

2.3 自適應(yīng)白噪聲的完整集成經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)

自適應(yīng)白噪聲的完整集成經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)方法為了降低EEMD的重構(gòu)誤差和增加信號分解的完備性，憑借它在對信號進(jìn)行分解的每個(gè)過程植入自適應(yīng)的白噪聲，求解出特定且僅有一個(gè)的余量信號并以此為根據(jù)繼續(xù)分析過程得到其余模態(tài)分量.

在EEMD的基礎(chǔ)上[15].定義數(shù)學(xué)算子Ek(·)為通過EMD分解所產(chǎn)生的第k個(gè)模態(tài)分量，CEEMDAN所產(chǎn)生的第k個(gè)本征模態(tài)函數(shù)記為IMFk，CEEMDAN通過添加自適應(yīng)的白噪聲具體數(shù)學(xué)推導(dǎo)如下：

步驟1 與EEMD分解方法大致相同，CEEMADN針對信號s(n)+ε0vi(n)進(jìn)行分解，直到得到第1個(gè)IMF.

(2)

步驟2 在第1階段，計(jì)算第1個(gè)IMF分量后，算特定的余量信息：

(3)

步驟3 進(jìn)行i次試驗(yàn)(i=1，2，…，I)，每次實(shí)驗(yàn)中對信號：r1(n)+ε1E1(vi(n))進(jìn)行EMD分解，直到得到第1個(gè)IMF終止.在此基礎(chǔ)上，計(jì)算第2個(gè)模態(tài)分量：

(4)

步驟4 對于其每個(gè)階段，即k=2，…，K，計(jì)算第k個(gè)余量信號，重復(fù)步驟3.計(jì)算k+1個(gè)IMF如下：

(5)

(6)

步驟5 重復(fù)循環(huán)步驟4，直到滿足CEEMDAN的最后1個(gè)本征模態(tài)函數(shù)無法再分解.即：IMF的極值點(diǎn)個(gè)數(shù)至多不超過2個(gè).

因此原始信號被分解為：

(7)

將原始信號做CEEMDAN分解，多用于數(shù)據(jù)是非線性突變數(shù)據(jù).電動(dòng)汽車進(jìn)行控制或調(diào)度前需建立電動(dòng)汽車負(fù)荷模型，車輛充電場所、充電起始時(shí)刻、行駛里程、充電頻率等均為影響電動(dòng)汽車充電負(fù)荷的重要因素[16].各種因素相互作用產(chǎn)生一些不確定性影響，才能突出CEEMDAN的自適應(yīng)性，完備性和分析非線性問題上非平穩(wěn)信號在預(yù)測方面上的優(yōu)勢.CEEMDAN分解圖如圖1.

從上圖的CEEMDAN分解圖中可以看出，IMF4和原始電動(dòng)汽車配電網(wǎng)負(fù)荷形狀相似有明顯的日周期性，體現(xiàn)出了影響的最主要因素：駕駛?cè)藛T的生活規(guī)律，清晨負(fù)荷較低；傍晚人員結(jié)束工作，充電達(dá)到最高；IMF1和IMF2為高頻分量且幅值較低；IMF3和IMF5呈現(xiàn)一定的周期性；RES在整體的占比中較高，一定程度上可以顯示出整體的負(fù)荷變化趨勢.

3 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法探討

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是將類似于生物神經(jīng)系統(tǒng)的運(yùn)行方式應(yīng)用于計(jì)算機(jī)的信息和數(shù)據(jù)處理的一種技術(shù).基于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和數(shù)學(xué)算法不同，神經(jīng)網(wǎng)絡(luò)可以劃分為很多種.

神經(jīng)網(wǎng)絡(luò)由若干的神經(jīng)元和連接通道組成，各層級中的節(jié)點(diǎn)之間互不相連，每一個(gè)層級的神經(jīng)元都與其他層級的神經(jīng)元相連.通過大量實(shí)驗(yàn)數(shù)據(jù)作為樣本來校正神經(jīng)元之間的權(quán)重并建立相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)對于問題的解決.

在神經(jīng)網(wǎng)絡(luò)眾多參數(shù)的設(shè)定中.權(quán)值的選擇是重中之重.人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的靈活變動(dòng)，得益于其權(quán)值自身的修正，它將一連串簡單的節(jié)點(diǎn)通過權(quán)值所映射的連接通道互聯(lián)在一起，當(dāng)網(wǎng)絡(luò)接受大量的訓(xùn)練后，權(quán)值調(diào)整到相應(yīng)的數(shù)值，就能輸出極為準(zhǔn)確的數(shù)據(jù).神經(jīng)網(wǎng)絡(luò)最區(qū)別于其它預(yù)測方法的就是將知識儲(chǔ)存在調(diào)整后的權(quán)值中.

3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法

單層網(wǎng)絡(luò)的結(jié)構(gòu)決定了某些神經(jīng)網(wǎng)絡(luò)只能解決線性可處理的問題，由于光伏發(fā)電系統(tǒng)的非線性和隨機(jī)性發(fā)電，所以要使用具備處理線性不可處理問題的 BP神經(jīng)網(wǎng)絡(luò)的.

20年代80世紀(jì)中期，PDP專項(xiàng)小組提出了著名的誤差反向傳播算法( error back propagation，BP)，解決了單層神經(jīng)網(wǎng)絡(luò)遇只能解決簡單線性的問題，提出了多層網(wǎng)絡(luò)學(xué)習(xí)的概念，促進(jìn)了神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展，此種網(wǎng)絡(luò)就被稱為 BP神經(jīng)網(wǎng)絡(luò)[17].

BP網(wǎng)絡(luò)中傳輸函數(shù)在網(wǎng)絡(luò)設(shè)定中非常重要，傳輸函數(shù)常使用Sigmoid型函數(shù)計(jì)算[18]

(8)

神經(jīng)網(wǎng)絡(luò)權(quán)值的不斷調(diào)整和修正使網(wǎng)絡(luò)的適應(yīng)性得以增加，這得益于權(quán)值調(diào)整計(jì)算公式的優(yōu)化[19]：

Δwjk=ηδkyj=η(dk-0k)ok(1-ok)yj.

(9)

(10)

其中η∈(0，1)，表示學(xué)習(xí)率.

BP神經(jīng)網(wǎng)絡(luò)一般情況下是多層的，除了1個(gè)輸入層和1個(gè)輸出層，還有若干個(gè)隱含層，其結(jié)構(gòu)示意圖如圖2.

BP神經(jīng)網(wǎng)絡(luò)不同于其它網(wǎng)絡(luò)，工作信號始終沿著輸入層到輸出層的正方向，沒有反饋環(huán)節(jié).BP網(wǎng)絡(luò)沿著誤差減少的方向進(jìn)行，從輸出層經(jīng)過各中間層逐層向著輸入層的方向修正網(wǎng)絡(luò)的權(quán)值[20].

4 遺傳算法(GA)基本概述

4.1 遺傳算法基本原理

遺傳算法是一種模仿類似于自然界中遺傳機(jī)制的理論，它的核心內(nèi)容就是基于達(dá)爾文的生物進(jìn)化論[21].其中“優(yōu)勝劣汰”按照所指定函數(shù)的適應(yīng)度函數(shù)來篩選適應(yīng)度值高的個(gè)體被遺傳下來，子代更替父代，進(jìn)行選擇，交叉和變異最終選出最優(yōu)的個(gè)體[22].

1) 適應(yīng)度函數(shù)

函數(shù)的適應(yīng)度值表示了個(gè)體的被遺傳到下一代的可能性，能夠有效的為下一代的篩選提供依據(jù).

Fit[f(x)]=Cmax-f(x),

(11)

式中:f(x)為理想目標(biāo)函數(shù);Cmax為f(x)的最大值.

2)選擇

選擇是從初始的種群中找出適應(yīng)值高的個(gè)體.

(12)

式中：P為種群個(gè)體數(shù);Fit[f(i)]為種群中每個(gè)個(gè)體的適應(yīng)度值.

3)交叉

交叉操作是從種群中按照一定概率選擇一對個(gè)體，進(jìn)行編碼的交叉產(chǎn)生下一代新的適應(yīng)度較高的個(gè)體.交叉概率：

(13)

其中,f為種群個(gè)體適應(yīng)度;Fmax為最大適應(yīng)度;favg為平均適應(yīng)度;Pc1，Pc2為常數(shù).

4)變異

變異操作是從上一代中按照一定的概率選擇個(gè)體變異，產(chǎn)生新個(gè)體.變異概率：

(14)

其中Pm1，Pm2為常數(shù).

4.2 GA-BP模型

由于BP神經(jīng)網(wǎng)絡(luò)模型全局尋找最值得過程中，很容易就陷入到最后只找到局部極值的問題.因?yàn)镚A遺傳優(yōu)化算法是一個(gè)較為完善和經(jīng)典的尋找全局最值的方法，為此將GA-BP組合，其中心思想是：設(shè)定遺傳優(yōu)化算法的初始種群長度，適應(yīng)度值采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測的均方誤差的倒數(shù).用采集到的數(shù)據(jù)作為訓(xùn)練樣本，在選擇，交叉和變異操作中一次次的迭代并修正權(quán)值和閾值.這樣就對BP網(wǎng)絡(luò)初始的權(quán)值和閾值進(jìn)行了優(yōu)化，不容易陷入局部問題.下圖為GA-BP流程圖.

4.3 基于GA-BP神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車配電網(wǎng)負(fù)荷預(yù)測模型構(gòu)建

根據(jù)電動(dòng)汽車配電網(wǎng)負(fù)荷預(yù)測系統(tǒng)特性的所設(shè)立的預(yù)測模型，可以把神經(jīng)網(wǎng)絡(luò)的模型分為：輸入層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)3個(gè)主要方面.其中，輸入層節(jié)點(diǎn)主要為預(yù)測日前1天的24 h歷史負(fù)荷(其中每過1 h采集數(shù)據(jù)).

設(shè)定遺傳優(yōu)化算法的初始種群長度，需要進(jìn)行替換的是適應(yīng)度值采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的均方誤差的倒數(shù).用采集到的數(shù)據(jù)作為訓(xùn)練樣本，在選擇，交叉和變異操作中一次次的迭代并修正BP網(wǎng)絡(luò)中隨機(jī)給定的權(quán)值和閾值，直到得出較為準(zhǔn)確的預(yù)測輸出數(shù)值.

完成對網(wǎng)絡(luò)各種參數(shù)設(shè)定后，我們以收集到的數(shù)據(jù)作為訓(xùn)練樣本，并將誤差反向傳播到神經(jīng)網(wǎng)絡(luò)中.方法為選取相似日第1日到第9日的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再使用第9日數(shù)據(jù)值進(jìn)行預(yù)測第10日的負(fù)荷，通過模型得到的預(yù)測發(fā)電值再與實(shí)際的發(fā)電值做比較.

4.4 基于GA-BP神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車配電網(wǎng)負(fù)荷預(yù)測

設(shè)定遺傳優(yōu)化算法的初始參數(shù)，初始種群長度為35；交叉和變異概率為0.3；適應(yīng)度值采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測的均方誤差的倒數(shù).用采集到的數(shù)據(jù)作為訓(xùn)練樣本，在選擇，交叉和變異操作中一次次的迭代并修正權(quán)值和閾值.最終得出來的最優(yōu)參數(shù)值賦值給BP網(wǎng)絡(luò)運(yùn)行得出結(jié)果.GA-BP的進(jìn)化代數(shù)和適應(yīng)度如圖：

從圖中可以看出在進(jìn)化10代左右，適應(yīng)度和誤差平方和已經(jīng)達(dá)到了最佳，GA-BP效果還算比較理想，計(jì)算過程沒有過于復(fù)雜以至于耗費(fèi)了較多的前期計(jì)算時(shí)間.

4.5 模型誤差分析

分析預(yù)測模型的優(yōu)劣和精度需要用到誤差的分析，誤差的大小體現(xiàn)了所用模型的適用程度，本文選取了如下誤差分析方法.

1) 平均對誤差分析方法：消除了誤差中出正負(fù)時(shí)互相抵消的情況.

2) 均方誤差分析方法：消除了誤差中正負(fù)相加時(shí)遇到的情況.

5 基于CCEMDAN分解的GA-BP神經(jīng)網(wǎng)絡(luò)電動(dòng)汽車配電網(wǎng)負(fù)荷預(yù)測

基于CEEMDAN的組合預(yù)測模型是充分利用CEEMDAN能夠分解出具有不同頻率特性、變化趨勢的信號的特點(diǎn)，對每個(gè)信號應(yīng)用GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法進(jìn)行預(yù)測，實(shí)現(xiàn)步驟如下所示.

1) 利用CEEMDAN算法，將原始電動(dòng)汽車入網(wǎng)數(shù)據(jù)進(jìn)行分解，可以得到7個(gè)本征模函數(shù)IMF分量以及一個(gè)剩余分量.

2) 為了更精準(zhǔn)的迎合網(wǎng)絡(luò)特性，根據(jù)每個(gè)IMF分量序列的不同特點(diǎn)和不同的周期性采用PEARSON相關(guān)系數(shù)設(shè)定不同的數(shù)據(jù)長度得出連續(xù)3個(gè)數(shù)據(jù)中最大的相關(guān)系數(shù)并以此建立相應(yīng)的GA-BP預(yù)測模型.

3) 用GA-BP預(yù)測不同IMF疊加還原數(shù)據(jù)[23]，分別和GA-BP，BP預(yù)測的數(shù)據(jù)和原始電動(dòng)汽車配電網(wǎng)數(shù)據(jù)比較得出結(jié)論.

4) 分析誤差結(jié)果和計(jì)算時(shí)間得出各個(gè)模型的優(yōu)缺點(diǎn).

預(yù)測流程圖和預(yù)測方法對比圖如圖5、圖6.

表1 預(yù)測誤差結(jié)果

6 結(jié)語

仿真證明利用CEEMDAN分解的GA-BP神經(jīng)網(wǎng)絡(luò)對電力系統(tǒng)中電動(dòng)汽車配電網(wǎng)短期負(fù)荷預(yù)測可以有效提高電力調(diào)度部門的工作效率和電能的有效即時(shí)利用能力.負(fù)荷的精確預(yù)測是構(gòu)建三型兩網(wǎng)的前提，也是智能電網(wǎng)的基礎(chǔ)職能，可以有效提高電能的實(shí)時(shí)有效利用率和堅(jiān)強(qiáng)電網(wǎng)的構(gòu)建.得出以下結(jié)論，使用本文論述的基于CEEMDAN分解的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法得到的預(yù)測結(jié)果比其余2種較為傳統(tǒng)的預(yù)測的誤差較小,雖然耗費(fèi)了一定的前期數(shù)據(jù)分析和處理的時(shí)間，但有效提高了對于電動(dòng)汽車配電網(wǎng)短期負(fù)荷的預(yù)測精度，有更好的實(shí)用性.