基于KPCA和NSGAII优化CNN参数的电动汽车充电站短期负荷预测

牛东晓，马天男，王海潮，刘鸿飞，黄雅莉

(华北电力大学经济与管理学院，北京市102206)

基于KPCA和NSGAII优化CNN参数的电动汽车充电站短期负荷预测

牛东晓，马天男，王海潮，刘鸿飞，黄雅莉

(华北电力大学经济与管理学院，北京市102206)

为提升电动汽车充电站短期负荷预测的效率和精度，提出了基于核主成分分析(kernel principal component analysis，KPCA)和非劣排序遗传算法 II(non-dominated sorting genetic algorithm II，NSGAII)优化卷积神经网络(convolutional neural network，CNN)的充电站短期负荷预测方法。应用KPCA对模型输入变量进行降噪处理，简化了网络结构，加快了预测速度;通过多次负荷预测测试比较误差的方式确定卷积神经网络模型中卷积层和子采样层的最佳神经元个数，保证了预测方法的准确性;利用NSGAII对卷积神经网络的参数进行优化，提高了预测方法的运算速度和预测精度。通过算例分析以及和其他方法的对比，验证了文中方法具有较高的效率和精度。

电动汽车充电站;短期负荷预测;核主成分分析(KPCA);非劣排序遗传算法II(NSGAII);卷积神经网络(CNN)

0 引言

构建新型电力供应体系，以实现市场在电力资源配置中的主体地位成为电力体制改革亟待解决的问题［1］。提高能源配置效率、降低能源成本和改善环境状况亦成为能源革命和新常态下经济发展的必然要求。同时能源供给侧改革要求对交通运输业的传统能源供给结构进行调整，加大清洁能源的供应比重，不断推进电能替代煤、石油等化石能源，从而促进能源供给结构的不断改善［2］。电动汽车的迅速发展则为解决能源危机和环境危机提供了新的思路，电动汽车逐渐变成大众的主要出行方式成为一种必然趋势。然而电动汽车充电站负荷表现出较大的波动性、随机性和间歇性，为电网的优化调度和安全运行带来了新的挑战［3］。建立科学合理的电动汽车充电站短期负荷预测模型不仅可以有效提升负荷预测精度优化电力调度，而且有助于推动电动汽车充电站的科学建设，提高电动汽车的普及率，从而促进电动汽车产业平稳较快发展。因此，对电动汽车充电站短期负荷预测进行研究具有重要的现实意义。

近些年来，国内外学者对电动汽车充电站短期负荷预测进行了相关研究。文献［4］根据电动汽车进站流量提出了数学公式计算和动态过程仿真2种建模方法，为充电站负荷预测开展了基础工作。文献［5－6］均应用径向基函数神经网络(radial basis function neuralnetwork，RBFNN)对电动汽车充电站短期负荷进行预测，但文献［6］在应用RBFNN进行电动汽车充电站短期负荷预测的基础上，利用模糊控制理论对其进行了修正，预测精度有了进一步的提高。文献［7］提出了一种基于蒙特卡洛(monte carlo，MC)模拟新模型的电动汽车电池交换站负荷预测方法。文献［8］构建了基于相似日选取的支持向量机(support vector machine，SVM)电动汽车充电站短期负荷预测模型，并利用遗传算法进行优化提出了一种组合预测模型。文献［9］建立了基于模糊聚类分析(fuzzy clustering)与 BP神经网络(back propagation neural networks，BPNN)的快换式公交充电站短期负荷预测模型。文献［10］针对公交车充电站短期负荷预测构建了一种基于数据新鲜度和交叉熵的组合模型。文献［11］基于时空角度，通过对车辆数据进行研究完成了对电动汽车充电负荷的预测分析。文献［12］则从大数据角度对电动汽车充电站负荷预测的体系结构进行了分析研究，通过计算单辆电动汽车的负荷和对充电站所有电动汽车负荷求和的方式完成预测。上述研究中所提到的预测方法均取得了较高的预测精度，但是由于这些方法在处理多目标优化问题时难以实现全局最优和参数数量过多导致计算任务繁重，充电站短期负荷预测仍未达到期望精度。

卷积神经网络(convolutional neural network，CNN)模型是一种深度学习模型，用于解决预测精度过低等问题，然而CNN模型参数需要主观确定，导致预测精度存在不稳定性，因此本文选用核主成分分析(kernel principal component analysis，KPCA)和非劣排序遗传算法II(non-dominated sorting genetic algorithm II，NSGA-II)对其进行优化。

因此，本文提出一种基于KPCA和NSGA-II优化CNN的电动汽车充电站短期负荷预测方法。主要包含以下3部分内容:首先，应用KPCA方法对电动汽车充电站负荷的影响因素进行分析，对输入变量进行降维处理;然后，利用NSGA-II算法对CNN模型的参数进行优化，通过比较测试误差确定CNN中卷积层和子采样层的神经元个数;最后，利用测试数据得出预测结果并与其他预测方法进行比较验证其有效性。

1 基本理论

1.1KPCA原理

KPCA是一种基于Mercer核函数的非线性特征提取方法，主要思路是首先对输入数据向量xi通过一非线性映射变换到高维特征空间Φ(xi)中，然后在高维特征空间Φ(xi)中作线性主分量分析，则高维特征空间Φ(xi)中的线性PCA与输入空间中的非线性PCA一一对应，最后即是对核矩阵的特征向量和特征值进行求解［13］，其具体步骤如下所述。

设定原始输入样本数据集 X={x1，x2，．．．，xm}，其中xk∈RN(k=1，2，．．．，m)，m为输入样本数量，设Φ为非线性映射，对应空间Φ(xi)，并经过以下公式:

给定对称矩阵K，其元素为K(xk，xj)=(φ(xk)· φ(xj))，公式(1)能通过矩阵K的中心化完成变换:

式中:Im为m×m矩阵，且满足Li，j=1/m，则公式(2)可以转换为

经过以上公式变换后便可以通过PCA中提取主成分的常用方法计算得到数据点在特征向量上的投影，从而得到该点核主成分。

1.2 NSGA-II优化算法

NSGA-II优化算法是在NSGA基础上提出来的一种新型遗传算法，不但具有NSGA算法的所有优点，而且对其缺陷进行了改进。基于帕累托最优概念推演出来的NSGA算法可以根据非支配排序原理对种群中的个体进行分类，得到分布均匀的帕累托最优解或非劣解。但是由于NSGA算法在实际应用中存在计算复杂度高、应人为给定共享半径值等缺陷，因此NSGA-II算法应用了快速非支配排序法、拥挤度概念以及精英策略，提升了算法的鲁棒性和运算速度［14］。具体步骤［15］如下文所述。

(1)生成原始种群Pt，对种群Pt中的个体进行非支配排序和赋予Pareto最优秩，并对种群Pt进行遗传操作，形成子代种群Qt。

(2)合并原始种群Pt和子代种群Qt产生新种群Rt，对Rt进行非支配排序，并计算出Rt中处于支配层的个体ri的拥挤度di。

(3)根据非支配排序和拥挤度di排序结果产生新一代种群Pt+1。

(4)对种群Pt+1继续进行遗传操作，产生其子代种群Qt+1，若t未达到最大迭代次数tmax，则令t=t+ 1，否则循环终止，输出结果。

其中，拥挤度di指的是种群中每个个体周围其他个体的密集程度。将处于边界的个体拥挤度定为无穷大，处于其他位置的个体拥挤度计算公式［16］如下所示:

式中:m为目标函数个数;fj，i为第i个个体应用第j个目标函数得到的计算结果;fjmax、fjmin为第j个目标函数所能取得的最大值和最小值。

1.3卷积神经网络模型

卷积神经网络是一种具有深度学习能力的人工神经网络，主要特点是局部连接且同一层神经元共享权值［17］。卷积神经网络一般由1～3个特征提取层以及最末尾的全连接层组合而成，每个特征提取层包括1个卷积层和1个子采样层，包含1个特征提取层的卷积神经网络结构如图1所示。

在卷积层中，原始数据通过卷积核进行卷积得到输出数据，使用不同卷积核就可以得到一系列不同的输出数据。卷积层计算采取下列公式:

图1 卷积神经网络模型Fig.1 CNNmodel

子采样过程可表示如下:

经过以上卷积层和子采样层后得到的数据，将最终与全连接层相连。全连接层公式如下:

式中:f(～)、θl代表意义与公式(6)一致;Wl是计算第l－1层到第l层时的权重值;xl为输出数据。

在上述计算过程中，每一个卷积核通过滑动重复作用在全部输入数据上，经过多个不同卷积核的卷积取得多组输出数据，同一卷积核权值相同，不同组的输出数据经过组合，再输出到子采样层。子采样层以前一卷积层的输出数据作为输入数据，首先设置取值位置的范围，然后通过滑动用取值范围中的平均值或最大值来充当该范围中的数值，最后将这些数据组合得到降维后的数据并经过全连接层输出结果。

利用CNN模型进行负荷预测具有两大优点:第一，能允许畸形数据的存在;第二，通过局部连接和权值共享减少了部分参数数量，提升了负荷预测效率和准确性。但在电力负荷预测应用中需要训练的参数数量需要主观确定，影响了预测结果的稳定性，为了进一步提升运算效率和预测精度，本文将采用NSGA-II算法优化卷积神经网络模型的参数。

2 基于KPCA和NSGAII优化CNN的预测方法

本文所提电动汽车充电站短期负荷预测系统流程见图2。

图2 电动汽车充电站短期负荷预测系统流程图Fig.2 Flowchartofshort-temloadforecasting systemforelectricvehiclechargingstation

图3展示了基于KPCA和NSGAII优化CNN的电动汽车充电站短期负荷预测流程。

图3 基于KPCA和NSGAII优化CNN的预测流程Fig.3 PredictionflowbasedonKPCAand CNNoptimizedbyNSGAII

如图3所示，该模型首先通过KPCA法对电动汽车充电站短期负荷的影响因子进行特征降维，然后应用NSGA-II对CNN模型的参数进行优化，最后使用CNN模型对样本集进行训练，得到最优预测模型。具体步骤如下文所述。

(1)初始输入变量(xi)选取及数据处理。通过对电动汽车充电站负荷特性进行分析，形成初始输入变量集合X={xi，i=1，2，．．．，n}，并对各个输入因子xi的数据进行量化处理和归一化处理。

(3)初始化参数。初始化卷积神经网络模型中的权值w和阈值θ，从较小数值集合里随机选取若干数值作为各层权值和所有阈值。

(4)NSGA-II优化。利用NSGA-II算法在高维映射空间对卷积神经网络模型的权值和阈值进行搜索，求解出模型参数w和θ的Pareto解集，并根据解集的分布均匀性和多样性对其进行评价，如果达到最大迭代次数tmax，则得到最优参数;如果未达到tmax，则再次进行 NSGA-II优化算法，直到得到满足条件的解集。

(5)CNN训练。经过KPCA特征降维设置好输入层神经元个数，以及初始设置好卷积层、子采样层和输出层的神经元个数后，利用NSGA-II优化得到的权值和阈值对卷积神经网络进行训练，再次调整权值和阈值，得到最优预测模型。

(6)仿真预测。根据以上优化训练得到的预测模型对电动汽车充电站短期负荷进行预测，对输出数据进行反归一化处理得到负荷预测值yi，并对结果进行分析评价。

步骤(1)、步骤(6)的归一化和反归一化公式如下:

式中:x为量化之后的初始输入数据;xi为归一处理后的输入数据;为输出的初始数据;为反归一化后的输出数据。

3 算例分析

选取北方某充电站作为案例进行分析，该充电站由5台功率较大的充电机和10台功率较小的充电机组成，其中功率较大的充电机能供单箱容量较大电池或串联的3箱容量较小的电池使用，功率较小的充电机只能供1箱容量较小的电池使用。算例数据选用该站2016年2月1日至2016年7月31日的负荷数据和气象数据，训练集采用2月1日至7月28日的数据，测试集采用7月29日至7月31日的数据，以15 min作为数据收集频率。

3.1初始输入变量选取和数据处理

为了准确预测出电动汽车充电站短期负荷，需要充分考虑各种影响因素，确定初始输入变量集，参考相关研究［19-21］，初步确定影响因素为电动汽车市场规模、电动汽车主要类型、电动汽车动力电池的充电特性、用户行为特性、日类型因素(工作日和节假日)、气象因素(日最高温度、日最低温度、天气类型、湿度、风力)、季节因素，将这些影响因素和预测点前3个时刻的负荷数据、前6日同一时刻的负荷数据以及上一周同一星期类型同一时刻的负荷数据作为初始输入变量集合，共包含21个输入变量。

对于训练集和测试集中的缺失负荷值，可以选取相近日期的的负荷值加权平均从而补全数据，公式为:p=αp－+βp+，该式中p为需要补全的负荷值，p－和p+分别为其前一天和后一天的负荷值，α和β分别取0.5。

3.2 KPCA分析

由于初始输入数据较多，因此采用KPCA方法对初始输入变量进行降维处理，根据KPCA方法主成分提取的前11个特征值的方差贡献率θ和累计方差贡献率τ如表1所示。

表1 核主成分分析结果Table1 AnalysisresultsofKPCA

根据累计方差贡献率高于90%这一标准和核主成分分析结果，可将输入变量的维数降为9维，达到了消除输入变量中噪声数据的目的，提高了预测的效率。降维后的输入变量为电动汽车动力电池的充电特性、日类型因素、天气类型、预测点前3个时刻的负荷数据、前2日同一时刻的负荷数据以及上一周同一星期类型同一时刻的负荷数据。

3.3预测结果评价指标

(1)均方根误差

(2)平均绝对百分比误差

(3)日负荷预测准确率

3.4模型验证

根据KPCA分析结果，输入层神经元个数为9。模型中NSGA-II种群规模大小设定为300，迭代次数最大为300，交叉概率和变异概率设定为2。由于数据收集频率为15 min，因此针对1日96个时点分别构建96个NSGA-II优化卷积神经网络模型，每个模型的输出层神经元个数为1。

CNN的训练次数最大为200，训练限制误差为0.000 1，特征提取层为1层，即只包含1层卷积层和1层子采样层。初步设定输入层和卷积层每3个数据输出产生下一层，然而仍然没有权威公式可以确定卷积层和子采样层神经元个数，其个数的不同则会对预测精度产生影响，因此选取2016年7月31日96点负荷值进行测试确定其神经元个数。以6作为卷积层神经元个数的基准，4作为子采样层神经元个数的基准，保持其中一层个数不变而改变另一层个数时，通过本文构建的模型进行负荷预测，比较其最大最小相对误差，图4为卷积层取不同神经元个数时的负荷预测误差情况，图5为子采样层取不同神经元个数时的负荷预测误差情况。

图4 卷积层取不同神经元个数预测误差曲线Fig.4 Forecastingerrorcurvefordifferentnumbersof neuronsinconvolutionlayer

通过图4和图5可以看出，卷积层神经元个数为6，子采样层神经元个数为5时，预测误差最小，预测效果最好，因此卷积层神经元个数可以设定为6个，子采样层神经元个数可以设定为5个。

图5 子采样层取不同神经元个数预测误差曲线Fig.5 Forecastingerrorcurvefordifferentnumbersof neuronsinsubsamplinglayer

经过上述步骤可形成完整的基于 KPCA和NSGAII优化CNN的电动汽车充电站短期负荷预测方法，将其预测效果与CNN模型、最小二乘支持向量机模 型 (least squares support vector machine，LSSVM)、BPNN预测模型进行比较，通过这些方法之间的对比可以进一步说明本文所提基于KPCA和NSGAII优化CNN的电动汽车充电站短期负荷预测方法的实际效果。表2为2016年7月29日至7月31日这4种方法的预测效果评价指标，图6为2016年7月29日至7月31日4种方法负荷预测值和负荷实测值的日负荷曲线。

表2 预测效果评价指标计算结果Table2 Calculationresultsofevaluationindexfor predictioneffect

通过表2可以看出，本文所提方法的预测效果在3个测试日均优于其他方法，下面以2016年7月31日为例进行说明。7月31日，本文方法的RMSE计算结果为1.013%，而CNN、LSSVM和BPNN模型的εRMSE计算结果分别为1.251%，1.903%和2.899%，这说明本文所提方法的预测结果误差小，预测准确性高，和CNN模型相比，本文所提预测方法通过KPCA方法和NSGA-II算法对CNN模型进行了优化，因此提升了预测的效率和效果，而CNN模型的预测效果好于LSSVM和BPNN模型说明CNN模型具有较好的负荷预测性能。本文方法、CNN、LSSVM和BPNN这4种预测方法的 εMAPE计算结果分别为1.091、1.362、1.956和3.963，该评价指标也说明本文方法预测效果最好，CNN模型次之，BPNN模型预测性能最差。本文所提预测方法的AL指标计算结果也高于CNN、LSSVM和BPNN预测方法，再次说明本文方法的预测精度高，预测性能好。

图6将2016年7月29日至7月31日4种预测方法的负荷预测值和当日的负荷实测值进行了对比，可以发现LSSVM和BPNN预测方法的日负荷预测曲线波动较大，且与负荷实测值的偏离幅度也较大，说明这2种方法的预测准确性低;CNN模型的日负荷预测曲线虽然变化趋势和实测值相仿，但是偏离幅度仍然较大;利用基于KPCA和NSGAII优化CNN的预测方法得到的日负荷预测曲线不仅变化趋势和实测值一致，而且偏离幅度小，说明应用基于 KPCA和NSGAII优化CNN的方法进行负荷预测准确性较高。

图6 4种方法预测值和实测值日负荷曲线Fig.6 Dailyloadcurvesforecastedbyfour methodsandmeasuredvalue

4 结论

(1)通过KPCA对模型的输入变量进行降维可以有效减少输入变量中的噪声数据，提升了预测效率和精度。

(2)利用多次预测比较误差的方式确定了CNN模型中卷积层和子采样层各自的神经元个数，通过CNN模型得出的负荷预测值误差明显小于BPNN和LSSVM模型，说明CNN模型也具有不错的预测效果。

(3)将基于KPCA和NSGAII优化CNN预测方法的预测误差和CNN、LSSVM和BPNN预测方法进行对比，本文所提预测方法明显精度最高，而且计算效率高，提升了负荷预测的效率。

本文所提出的基于KPCA和NSGAII优化CNN预测方法为电动汽车充电站短期负荷预测提供了新的研究方向，且可行性较强。基于KPCA和NSGAII优化CNN的预测方法与大数据、云计算等相结合，发挥大数据平台海量高维数据的优势是接下来重要的工作内容。

［1］刘满平．新电改方案的核心、着力点及影响［J］．宏观经济管理，2015(6):20-22．LIU Manping．The core，the focus and the impactof the new electric pow er reform program［J］．Macroeconomic Management，2015 (6):20-22．

［2］曾鸣，张晓春，王丽华．以能源互联网思维推动能源供给侧改革［J］．电力建设，2016，37(4):10-15．ZENG Ming，ZHANG Xiaochun，WANG Lihua．Energy supply side reform promoting based on energy internet thinking［J］．Electric Power Construction，2016，37(4):10-15．

［3］张艳娟，苏小林，闫晓霞，等．基于电动汽车时空特性的充电负荷预测［J］．电力建设，2015，36(7):75-82．ZHANG Yanjuan，SU Xiaolin，YAN Xiaoxia，et al．A method of charging load forecast based on electric vehicle time-space characteristics［J］．Electric Pow er Construction，2015，36(7): 75-82．

［4］杨少兵，吴命利，姜久春，等．电动汽车充电站负荷建模方法［J］．电网技术，2013，37(5):1190-1195．YANG Shaobing，WU Mingli，JIANG Jiuchun，et al．An Approach for load modeling of electric vehicle charging station［J］．Pow er System Technology，2013，37(5):1190-1195．

［5］常德政，任杰，赵建伟，等．基于RBF-NN的电动汽车充电站短期负荷预测研究［J］．青岛大学学报(工程技术版)，2014，29(4): 44-48．CHANG Dezheng，REN Jie，ZHAO Jianw ei，et al．Study on short term load forecasting of electric vehicle charging station based on RBF-NN［J］．Journal of Qiingdao University(Engineering and Technology Edition)，2014，29(4):44-48．

［6］常德政．智能电网中电动汽车充电站短期负荷预测模型研究［D］．青岛:青岛大学，2015．CHANG Dezheng．Short-term load forecasting of electric vehicle charging station in the smart grid［D］．Qiingdao:Qiingdao University，2015

［7］DAI Qian，CAI Tao，DUAN Shanxu，et al．Stochastic modeling and forecasting of load demand for electric bus battery-sw ap station［J］．IEEE Transactions on Pow er Delivery，2014，29(4): 1909-1917．

［8］徐晓波．电动汽车充/换电站短期负荷预测方法研究［D］．北京:华北电力大学，2015．XU Xiaobo．Study on short-term load forecasting method for electric vehicle charging/exchange pow er station［D］．Beijing:North China Electric Power University，2015

［9］张维戈，颉飞翔，黄梅，等．快换式公交充电站短期负荷预测方法的研究［J］．电力系统保护与控制，2013，41(4):61-66．ZHANG Weige，XIE Feixiang，HUANG Mei，et al．Research on short-term load forecasting methods of electric buses charging station［J］．Pow er System Protection and Control，2013，41(4):61-66．

［10］刘文霞，龙日尚，徐晓波，等．考虑数据新鲜度和交叉熵的电动汽车短期充电负荷预测模型［J］．电力系统自动化，2016，40(12): 45-52．LIU Wenxia，LONG Rishang，XU Xiaobo，et al．Forecasting model of short-term EV charging load based on data freshness and cross entropy［J］．Automation of Electric Pow er Systems，2016，40 (12):45-52．

［11］ASHTARI A，BIBEAU E，SHAHIDINEJAD S，et al．PEV charging profile prediction and analysis based on vehicle usage data［J］．IEEE Transactions on Smart Grid，2012，3(1):341-350．

［12］黄小庆，陈颉，陈永新，等．大数据背景下的充电站负荷预测方法［J］．电力系统自动化，2016，40(12):68-74．HUANG Xiaoqing，CHEN Jie，CHEN Yongxin，et al．Load forecasting method for electric vehicle charging station based on big data［J］．Automation of Electric Pow er Systems，2016，40(12): 68-74．

［13］刘畅，刘天琪，陈振寰，等．基于KPCA和BP神经网络的短期负荷预测［J］．电测与仪表，2016，53(10):57-61．LIU Chang，LIU Tianqi，CHEN Zhenhuan，et al．Short-term load forecasting based on KPCA and BP neural network［J］．Electrical Measurement＆Instrumentation，2016，53(10):57-61．

［14］王茜，张粒子．采用NSGA－Ⅱ混合智能算法的风电场多目标电网规划［J］．中国电机工程学报，2011，31(19):17-24．WANG Qian，ZHANG Lizi．Multi objective grid planning of wind farm using NSGA-II hybrid intelligent algorithm［J］．Proceedings of the CSEE，2011，31(19):17-24．

［15］贠汝安，董增川，王好芳．基于NSGA2的水库多目标优化［J］．山东大学学报(工学版)，2010，40(6):124-128．YUN Ru’an，DONG Zengchuan，WANG Haofang．Multiobjective optimization of a reservoirbased on NSGA2［J］．Journal of Shandong University(Engineering Science)，2010，40(6): 124-128．

［16］孙建龙，吴锁平，陈燕超．基于改进NSGA2算法的配电网分布式电源优化配置［J］．电力建设，2014，35(2):86-90．Sun Jianlong，Wu Suoping，Chen Yanchao．Optimal configuration of distributed generation in distribution network based on improved NSGA2［J］．Electric Pow er Construction，2014，35(2):86-90．

［17］李思琴，林磊，孙承杰．基于卷积神经网络的搜索广告点击率预测［J］．智能计算机与应用，2015，5(5):22-25，28．LI Siqin，LIN Lin，SUN Chengjie．Search advertisement click through rate prediction based on convolutional neural netw ork［J］．Intelligent Computer and Applications，2015，5(5):22-25，28．

［18］丛瑜，肖怀铁，付强．基于核主分量分析的高分辨雷达目标特征提取与识别［J］．电光与控制，2008，15(2):31-35，38．CONG Yu，XIAO Huaitie，FU Qiang．Target feature extraction and recognition for high-range recognition radar based on the KPCA method［J］．Electronics Optics＆Control，2008，15(2):31-35，38．

［19］杨冰，王丽芳，廖承林，等．不确定充电习惯对电动汽车充电负荷需求及充电负荷调节的影响［J］．电工技术学报，2015，30(4): 226-232．YANG Bing，WANG Lifang，LIAO Chenglin，et al．The influence of uncertain charging habits on electric vehicle charging load demand and charging load regulation［J］．Transactions of China Electrotechnical Society，2015，30(4):226-232．

［20］王哲，代兵琪，李相栋．基于PSO-SNN的电动汽车充电站短期负荷预测模型研究［J］．电气技术，2016(1):46-50．WANG Zhe，DAI Bingqi，Li Xiangdong．Research on short term load forecasting model of electric vehicle charging station based on PSO-SNN［J］．Electrical Engineering，2016(1):46-50．

［21］郑牡丹．基于云计算的充电站充电负荷预测体系结构研究［D］．北京:华北电力大学，2015．ZHENG Mudan．Research on the structure of charging load forecasting system based on cloud computing［D］．Beijing:North China Electric Power University，2015．

［22］牛东晓，曹树华，赵磊．电力负荷预测技术及其应用［M］．北京:中国电力出版社，1998．

(编辑 张媛媛)

Short-Term Load Forecasting of Electric Vehicle Charging Station Based on KPCA and CNN Parameters Optimized by NSGAII

NIU Dongxiao，MA Tiannan，WANG Haichao，LIU Hongfei，HUANG Yali

(College of Economics and Management，North China Electric Power University，Beijing 102206，China)

In order to improve the short-term load forecasting efficiency and precision of electric vehicle charging station，this paper proposes a short-term load forecasting method for charging station based on kernel principal component analysis(KPCA)and non-dominated sorting genetic algorithm II(NSGAII)．The KPCA is used to reduce the noise of the model input variables，which simplifies the network structure and accelerates the prediction speed．Through the comparison of the load forecasting error to define the convolutionalneuralnetwork(CNN)model in convolution layers and sub sampling the top layer neurons number，the accuracy of the model is guaranteed．By using the NSGAII to optimize the parameters of the CNN，the operation speed and precision of the prediction method are improved．Through example analysis and comparison with other methods，it is proved that the method has high efficiency and precision．

electric vehicle charging station;short-term load forecasting;kernel principalcomponent analysis(KPCA); non-dominated sorting genetic algorithm II(NSGAII);convolutional neural network(CNN)

TM 715

A

1000－7229(2017)03－0085－08

10.3969/j．issn.1000－7229.2017.03.012

2016-09-06

牛东晓(1962)，男，博士，教授，博士生导师，本文涉及课题负责人，研究方向为项目预测与决策理论及其应用、项目综合评价方法及其应用;

马天男(1992)，男，博士，研究方向为输电线路覆冰预测、电力负荷预测、技术经济评价及预测;

王海潮(1994)，男，硕士研究生，本文通信作者，研究方向为电力负荷预测、技术经济评价及预测;

刘鸿飞(1990)，男，硕士研究生，研究方向为电力负荷预测、输配电网评估方法及应用;

黄雅莉(1991)，女，硕士研究生，研究方向为输电线路覆冰预测、输配电网评估方法及应用。

国家自然科学基金项目(71471059);中央高校基本科研业务费专项资金资助(2015XS36)

Project supported by National Natural Science Foundation of China (71471059);The Fundamental Research Funds for the Central Universities(2015XS36)