基于强化学习与变权组合模型的EV充电需求功率预测方法

当电动汽车（Electric vehicle，EV）与充电桩连接时，精确预测电动汽车动力电池组的充电需求功率，对于防止电池组过充电至关重要。由于电池组物理模型的复杂性使基于其充电需求功率预测方法通常难以构建，且实时性不高。此外，单一预测模型的预测精度偏低。针对上述问题，结合充电数据与机器学习，提出一种基于强化学习与变权组合模型的EV充电需求功率预测方法。在传统灰狼优化算法的基础上，将混沌映射、精英反向学习策略相结合以提高初始种群的质量，利用强化学习的动态权重策略更新灰狼个体位置来优化最小二乘支持向量机（Least square support vector machine， LSSVM）算法中的参数；通过基于时变权重分配的变权组合方法合理分配极限学习机预测模型与改进LSSVM预测模型的权重，解决单一预测模型方法的不足；采用电动汽车的实际充电数据对所提预测算法进行验证，新方法相较于其他3种传统方法在预测精度上分别提高了4.75%、3.84%和0.38%。