文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212316
中文引用格式： 吳丹，雷珽，李芝娟，等. 基于XGBoost與LightGBM集成的電動汽車充電負荷預測模型[J].電子技術應用，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.
0 引言
近年來電動汽車的保有量快速上升，電動汽車規模化將對電網的輸電網絡、配電網絡、充電設施等多方面帶來影響[1-8]，因此準確的電動汽車充電負荷預測對于電網平穩運行具有重要意義。
電動汽車充電負荷預測是根據過去一段時間的用電負荷及日期類型等相關數據預測未來一段時間的用電負荷[9]，構建準確的電動汽車充電負荷預測模型不僅有利于電網對充電站的充電負荷進行調度與管理，也有利于充電站制定科學的運營計劃。不少國內外學者從用戶端及車端出發對電動汽車的充電負荷預測展開了研究[10-18]，通過融合電動汽車出行特征、用戶行為特點和道路交通狀況等因素，建立電動汽車充電負荷預測模型。真實的充電過程與從車端仿真結果存在差異，所以從充電站端得到的負荷預測結果比車端更能真實反映電動汽車充電對電網造成的影響。目前從充電站端對充電負荷進行預測的相關研究較少，并多數是以深度學習算法構建負荷預測模型，具有一定局限性，例如文獻[19]采用模糊聚類分析與BP神經網絡相結合的方法建立電動汽車充電負荷的短期預測模型，文獻[20]采用隨機森林與神經網絡相結合的方法建立電動汽車充電站短期負荷的預測模型，深度學習算法在輸入序列較長時存在梯度消失問題，模型無法克服對異常值敏感的缺點，導致模型預測準確度變差。
針對上述問題，本文從充電站端的數據出發，通過挖掘電動汽車充電負荷隨時間的變化規律，提取負荷影響因素作為模型的輸入特征。為了實現較高的負荷預測準確度，本文采用數據挖掘比賽中表現優異的XGBoost與LightGBM算法分別構建負荷預測模型，再結合Stacking集成學習的策略，利用嶺回歸模型將XGBoost與LightGBM模型的輸出結果進行融合之后再輸出。實驗結果表明，XGBoost與LightGBM模型實現了較高的預測準確度高，再采用Stacking集成學習方法將XGBoost與LightGBM模型的預測結果進行融合后，模型的預測準確度得到了進一步提升。
本文詳細內容請下載：http://www.shi-ke.cn/resource/share/2000004919。
作者信息：
吳 丹1，雷 珽1，李芝娟2，王 寧3，段 艷3
(1.國網上海市電力公司，上海200122；2.浦東供電公司，上海200122；3.同濟大學 汽車學院，上海201804)
