基于XGBoost与LightGBM集成的电动汽车充电负荷预测模型-AET-电子技术应用

基于XGBoost与LightGBM集成的电动汽车充电负荷预测模型

2022年电子技术应用第9期

吴丹1，雷珽1，李芝娟2，王宁3，段艳3

1.国网上海市电力公司，上海200122；2.浦东供电公司，上海200122；3.同济大学汽车学院，上海201804

摘要： 随着电动汽车规模化发展，充电站负荷对电网造成一定影响，为保障电网平稳运行，提出一种基于极端梯度提升(eXtreme Gradient Boosting，XGBoost)与轻量级梯度提升机(Light Gradient Boosting Machine，LightGBM)融合的电动汽车充电负荷预测模型。该方法运用Stacking集成学习的策略：首先根据时间特征与历史负荷数据采用XGBoost与LightGBM算法构建负荷预测的基学习器，然后采用岭回归(Ridge Regression，RR)算法将基学习器的输出结果进行融合之后输出负荷预测值。为了对比多种不同的负荷预测模型，采用上海市嘉定区的充电站订单数据进行试验，结果表明，该方法所构建的负荷预测模型相比单一算法模型具有更高的预测准确度，对电网平稳运行有一定理论及实用价值。

关键词： 电动汽车负荷预测 Stacking集成学习

中图分类号： TM910.6；U469.72
文献标识码： A
DOI：10.16157/j.issn.0258-7998.212316
中文引用格式： 吴丹，雷珽，李芝娟，等. 基于XGBoost与LightGBM集成的电动汽车充电负荷预测模型[J].电子技术应用，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

近年来电动汽车的保有量快速上升，电动汽车规模化将对电网的输电网络、配电网络、充电设施等多方面带来影响^[1-8]，因此准确的电动汽车充电负荷预测对于电网平稳运行具有重要意义。

电动汽车充电负荷预测是根据过去一段时间的用电负荷及日期类型等相关数据预测未来一段时间的用电负荷^[9]，构建准确的电动汽车充电负荷预测模型不仅有利于电网对充电站的充电负荷进行调度与管理，也有利于充电站制定科学的运营计划。不少国内外学者从用户端及车端出发对电动汽车的充电负荷预测展开了研究^[10-18]，通过融合电动汽车出行特征、用户行为特点和道路交通状况等因素，建立电动汽车充电负荷预测模型。真实的充电过程与从车端仿真结果存在差异，所以从充电站端得到的负荷预测结果比车端更能真实反映电动汽车充电对电网造成的影响。目前从充电站端对充电负荷进行预测的相关研究较少，并多数是以深度学习算法构建负荷预测模型，具有一定局限性，例如文献[19]采用模糊聚类分析与BP神经网络相结合的方法建立电动汽车充电负荷的短期预测模型，文献[20]采用随机森林与神经网络相结合的方法建立电动汽车充电站短期负荷的预测模型，深度学习算法在输入序列较长时存在梯度消失问题，模型无法克服对异常值敏感的缺点，导致模型预测准确度变差。

针对上述问题，本文从充电站端的数据出发，通过挖掘电动汽车充电负荷随时间的变化规律，提取负荷影响因素作为模型的输入特征。为了实现较高的负荷预测准确度，本文采用数据挖掘比赛中表现优异的XGBoost与LightGBM算法分别构建负荷预测模型，再结合Stacking集成学习的策略，利用岭回归模型将XGBoost与LightGBM模型的输出结果进行融合之后再输出。实验结果表明，XGBoost与LightGBM模型实现了较高的预测准确度高，再采用Stacking集成学习方法将XGBoost与LightGBM模型的预测结果进行融合后，模型的预测准确度得到了进一步提升。

本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004919。

作者信息：

吴丹1，雷珽1，李芝娟2，王宁3，段艳3

(1.国网上海市电力公司，上海200122；2.浦东供电公司，上海200122；3.同济大学汽车学院，上海201804)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容