关键词：相似周;电动汽车;负荷预测;参数优化;KELM
摘 要：随着电动汽车的快速发展，其带来的庞大随机负荷对配电网的安全稳定运行带来了极大挑战。针对电动汽车负荷数据存在非线性和特征不明显等特点，本文提出了一种基于相似周和模态分解的融合模型电动汽车负荷预测方法。首先，使用皮尔逊相关系数和动态时间规整(Dynamic Time Warping，DTW)筛选出的相似周和特征组成相似周负荷序列。然后，使用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)将相似周负荷序列分解为高频和低频分量，高频分量输入到卷积神经网络(Convolutional neural network，CNN)-门控循环网络(Gate recurrent unit，GRU)模型，低频分量输入到核极限学习机(Kernel extreme learning machine，KELM)模型，并使用改进的麻雀搜索算法(Improved sparrow search algorithm，ISSA)优化网络模型的超参数。最后，将不同分量的预测结果求和，输出最终负荷预测序列。实验表明，本文方法有着较快的预测速度和较高的预测精度。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取