0 引 言

当前,环境污染和能源危机成为了全球性的难题,其中汽车采用化石燃料造成的能源损耗以及尾气排放造成的大气污染占了很大比例。为此,各国政府着手对电动汽车大力扶持和推广普及[1]。随着电动汽车技术的不断成熟和实际应用,电动汽车入网充电的规模也会逐年增加。因此,有必要对电动汽车接入电网后所呈现的负荷特性进行分析和预测[2],从而为新建电网的设计和规划以及原有电网的升级和改造提供重要参考。

护理工作辛苦繁琐、排班制度不稳定调动大，护理人员社会地位低、不受尊重是在广大护生中的普遍印象。许多人对护理工作存在偏见,把为病人提供日常生活照顾、打针、发药作为护理工作的全部。护理本科在校生主要是在校内课堂上学习专业基础知识以及在实验室学习操作技术，并没有在临床上与病人进行面对面的交流沟通，因此，对于即将从事的职业或多或少会缺乏信心，甚至出现焦虑、恐惧等心理。

电动汽车充电的负荷特性在很大程度上与车辆的充电方式、用户的充电习惯以及外界环境的影响密不可分,因此对电动汽车进行准确的负荷预测成为了目前国内外专家和学者研究的重点。文献[3]按充电速度将充电方式分为换电式、直流快充和交流慢充3类;对车辆类型也进行了粗略划分,通过假设汽车的充电行为及行驶距离的分布特点,从而估计每辆汽车的负荷大小;最后,对所有车辆的负荷进行累加得到预测值。文献[4]通过假设车主的驾驶规律和停车需求的时空分布概率,对各种功能性区域展开负荷特性分析和预测。

以上预测方法均属于自底而上的预测方式,强调对用车行为的规律性研究,却忽略了对充电负荷整体特点的研究和把握,依赖于随机性较高的用户行为数据,并未将充电负荷本身的历史数据作为研究重点,难以保证预测结果的准确度。针对上述研究的不足,文献[5]提出采用大数据作为负荷预测的可靠来源,相较于前述方法有效提高充电负荷的预测精度,但将研究重点用于总结用户行为规律,进而间接预测充电负荷,在电动汽车的规模化应用时将造成海量数据的计算压力。文献[6]直接将预测重点集中于充电负荷自身规律的研究,充分利用负荷的历史数据,但未突出气象因素的影响作用,求解方法较为复杂。

本文采用窗口数据滚动和指数加权的方法对ARIMA模型进行改进,同时考虑到气象因素对权重系数配置的影响,设置了气象辨识因子,从而增强对充电负荷历史数据所呈现的规律性和相关性的把握,提高负荷预测的精度和稳定性。

采用Benders分解含机组禁止运行区间的安全约束最优潮流//晏鸣宇,张伊宁,艾小猛,何宇斌,文劲宇//(6):60

1 气象因素对电动汽车充电负荷特性的影响

气象条件主要包括温度、湿度、风速、雷雨、冰雪以及雾等环境条件,根据文献[7],按式(1)对气象因素与电动汽车充电负荷展开相关性分析可知,温湿度、雷雨、冰雪以及大雾对电动汽车的充电负荷具有较强的影响作用。

(1)

式中: ρXY——Xi和Yi的相关系数;

从表5可知，A、B不同TPS排水沥青混合料浸水残留稳定度分别为87.5%和81%；A型TPS混合料飞散损失小于B型TPS混合料，表明A型TPS排水沥青混合料水稳定性较优且两者水稳定性均满足工程要求，由于TPS改性剂加入后，增大集料表面沥青厚度，防止水分进入集料与沥青膜之间的黏结界面，从而有效增强沥青与集料之间的黏结力，提高混合料水稳定性。

εt——服从正态分布N(0, σ2)的t时刻随机误差序列;

和Xi、Yi的均值;

N——序列长度。

其中,当-1≤ρXY<0时,负相关;当0<ρXY≤1时,正相关;当ρXY=0时,不相关。夏季,温湿度与电动汽车的用电负荷成正相关作用,较高的温湿度会增加车内空调制冷和除湿的用电负荷;冬季,温度越低、湿度越大时,电动汽车的采暖负荷也越大;文献[8]的研究表明,冬夏极端温度还会在一定程度上缩减电池容量、延长充电时间。

在雷雨、冰雪及大雾的气象条件下,车速普遍放慢,道路拥堵现象频发,因而行车时间相应延长;同时车辆的雨刮器、采暖设备、雾灯、空调等附属设备的使用频率较高,发动机原地空转及反复起停比率较高,在一定程度上加大了电动汽车的功耗,会提高电动汽车的整体负荷。

但是在垄作坡耕地的样点 7Be含量变化出现减少与增加并存的情况。不同坡位与坡度的耕作垄样品 7Be含量具有一定程度的顺坡变化。耕作垄的不同样点间的含量差异较为显著，与种植垄的微坡形态和坡度变化特征有关。主要是由于增加了垄作措施，相当程度上增加了土壤吸收降雨水分的能力，并改变了坡面径流形成的方式和机率。

2 基于改进ARIMA模型的充电负荷预测

2.1 ARIMA模型基本原理

ARIMA模型[9]称为差分自回归移动平均模型。其特点是能通过d次差分将非平稳序列yt转化为满足ARMA(p,q)建模要求的平稳序列,原序列则可由ARMA模型的逆变换得到。模型ARIMA(p,d,q)可描述为

(2)

例如在教学人教版小学语文《我家跨上了信息高速路》一课时，由于文章讲到信息技术的应用，而现阶段的小学生普遍对网络有一定的认识，在生活和学习中也有较多接触，因此教师可以采用将教材与生活相结合的形式进行阅读教学。在学生对课文进行初步阅读以后，教师可以让学生积极讨论自己对电脑的了解，学生通过在课堂上交流，得出许多答案，比如：电脑可以用来打印文件、玩游戏、聊天、发贺卡、看电影等，这些都是与实际生活相关联的方面，比较容易引起学生的热情。通过文本与生活相结合的方式，大大提升了学生的阅读热情和阅读效率，有利于学生阅读能力的提升。

周教授说，我给你们讲啊，理论上讲就是真的了。一么，他们服装不像是演电影的服装，装备也不像演电影的装备，都是货真价实的。二么，他们的长相就是东方人的长相，东方人的长相我是专门研究过的么。这三么，他们打了我，你们想么，要是真演电影怎么可能那样真打我？这四么，要是真拍电影，怎么连摄影机都看不到？既然不拍，演了何用么？

Xi和Yi——两个时间序列;

p、q——模型阶数;

新型潜水轴流泵电机与水泵构成一体，比照传统轴流泵泵型具有安装简单、节省泵房投资、运行效率高、噪声低、冷却好、维护保养方便等优点。

φi、θj——待估参数。

ARIMA进行建模和预测的主要流程:

采用SPSS19.0对本文涉及到的所有数据进行统计学分析及处理,本次研究中的计数治疗采用n及%表示,并用t值进行检验,P<0.05,具有统计学意义。

(1) 获取样本序列Xt(t=1,2,…)。

(2) 对该序列进行平稳化处理,因为实际工程中,时间序列往往都是非平稳的,所以需要通过差分变换使其成为平稳序列。

(3) 模型拟合与参数估计,主要通过自相关及偏相关系数确定阶数p、q的值。

为保证磁翻板液位计的稳定运行，深圳计为自动化技术有限公司(以下称“计为”)将磁翻板液位计防护等级的最低出厂标准定为IP65。至此，计为旗下所有系列磁翻板液位计的防护等级均高于国家行业标准规定的防护等级IP54，能够更好地满足不同用户不同工况下的使用要求。

(4) 模型检验和预测,通过显著性检验和残差检验来判断模型的可取性,并利用可取模型进行预测。

2.2 改进ARIMA模型

在采用ARIMA模型时,对各时间序列之间相关程度的把握是实现准确预测的关键[10]。本文提出通过滚动相关结合指数加权的方法对ARIMA模型进行改进,以增强预测精度。

考虑到相邻时刻序列相互影响,相邻日期序列集互相关联,相隔步长较短的序列相关性较强,反之则较弱。改进模型采用i×j的矩阵X表示,xij为矩阵的元素,i、j分别为日期和时刻;X中j时刻的列向量为αj,滚动窗口大小为Rsj,滚动步长为st。

首先,将滚动窗口内的原始序列进行差分计算将其变换为平稳序列:

wj[k]=dαj[k]-μj

(3)

式中: ——对序列数据的对数值进行差分运算,能保证新生序列方差的稳定性;

方差σ2的综合参数值,如式(10)所示。

式中: Δdyt——经过d次差分后所得平稳序列;

μj——差分数据均值。

1.2.2 蒴果灭菌与种子接种 成熟未裂开的白及蒴果表面先用洗衣粉水刷洗，再用流水冲洗蒴果约30 min。待表面水分被无菌滤纸吸干后先用75%酒精消毒1 min，再用0.1%的升汞溶液浸泡15 min〔12〕，期间不停摇动。消毒彻底后用无菌水冲洗4～6遍，无菌滤纸吸干表面水分后在无菌条件下用手术刀切开蒴果顶部，用镊子将粉末状种子直接抖落在培养基上，稍加摇动，使种子散布均匀，尽量铺满培养基表面。

接着进行模型拟合,分析j时刻充电负荷的历史信息,分别求取ARIMA模型的自相关函数向量ρ和偏自相关函数矩阵Φ:

(4)

(5)

分别对式(2)中的φi、θj、d和σ2所对应的p+q+2个参数进行估计,并将结果进行保存;对φi的参数进行估算时,先提取出ARIMA模型的AR部分,即随机变量序列{Wt}:

Wt=φ1Wt-1+φ2Wt-2+…+φpWt-p+εt

(6)

结合式(4)可得序列{Wt}的自相关函数,其中未知参数仅为参数矩阵,因此φi中的所有参数可求,如式(7)所示。

(7)

在估算参数θj和σ2时,设Yt=ɛt-θ1ɛt-1-…-θqɛt-q,令Ф0=-1并计算ARIMA模型中MA部分的自协方差函数序列,得到由含有q+1个参数θ(q)和σ2构成的式(8),其解即为待求估算值。另外,取差分后方差值最小d值作为参数估计值。

(8)

式中: p——元素在Φi中所处位置;

(9)

然后,以步长st滚动窗口更新样本数据,继续采用ARIMA估计参数和保存结果直至将αj内的数据元素遍历完毕,从而得到k组参数的估计值。这些参数的估计值是针对具体样本而定的,无法很好地描述整个样本集的特点,因此还需对这些参数进一步优化,优化的办法就是采用加权的方式。在同一日内,距离预测目标时刻点距离较近的参数估计值比距离较远的参数估计值对预测结果的影响力更大;在不同日期之间,与预测目标相同的时刻点比其他时刻点的参数估计值对预测精度的影响度更强。据此,采用指数加权的方式对参数估计值进行滚动平均值建模。以Φi的参数优化为例,随着窗口滚动得到如下参数矩阵:

该井于2010年3月31日射开井段2 710.6～2 713.6m、2 766.1～2 769.4m 投产，初期日产液20.3t，日产油16.6t，含水率18.4%，试油结果与评价结论一致。

a——估算次数。

同理,采用加权滚动平均数模型也可以求取

对矩阵中各列向量进行指数加权,可得Φi的参数估算值。

(10)

表演开始：锣鼓打“老虎通”，领舞者手持钓鱼鞭踏鼓点上场，鞭打四方，绕场一周，开出直径大约50米的圆场子，随后领舞者至虎前挥舞钓鱼鞭引逗“老虎”，“老虎”立起，随鼓点摇头摆尾，领舞者挥鞭“金鸡点头”，鞭头落于四虎前，大喝一声“嗨”，一招“拨云见日”，持鞭向南跃出，四虎随领舞者一起向前跃出（虎跃）。

k——向量序列号;

(11)

2.3 考虑气象因素的改进ARIMA模型充电负荷预测

电动汽车充电负荷序列间的相关性具有明显的气象特点[11]。不同日期、相同时刻的气象因素是非恒定的,即使是同一日期内,不同时刻的气象因素也不相同,除了季节因素的变化原因外,与地域纬度的高低也密不可分。本文主要针对同一地域内的充电负荷开展预测研究,因此空间条件是固定的,仅考虑气象因素在时间尺度上的变化。

为保证窗口滚动和指数加权的准确性,在改进ARIMA模型中为不同日期、相同时刻添加气象特性辨识因子,构成气象特征向量Mt=(T,h,s/r,c/w,f,d)进行关联度分析[12]。改进ARIMA模型的气象特性辨识因子如表1所示。

表1 改进ARIMA模型的气象特性辨识因子

气象因素气象特性辨识因子ABCDE温度T/℃<-10[-10,6](6,15](15,25]>25湿度h/%<30[30,50](50,70](70,85]>85雷雨s/r无小中大暴冰雪c/w无小中大暴雾f/kmf<0.05[0.05,0.5](0.5,1.5](1.5,10]f>10日类型d周一～周五周六周日一般节日重大节日

在窗口滚动过程中,通过与实时气象数据的对比,具有相似变化特征的负荷序列与目标负荷的关联程度越高,并可采用数值进行描述。设与充电负荷序列x0相比较的n个序列为xi(i=1,2,…,n),分辨系数ρ的取值满足0≤ρ≤1,二级最小极差为二级最大极差为则关联系数ξi(k)为

(12)

将各点的N个关联系数求和并取平均值,即可得到序列xi与x0的关联度Ri。关联度反映的负荷序列之间的相关程度Ri:

(13)

根据式(12)和式(13)分别计算滚动窗口内同时不同日的气象特征向量的关联度,并按顺序从高到低排序,则关联度高的特征向量所对应的充电负荷序列具有较高的相似性。对这类数据可进行二次关联度计算,并在指数加权中据此分配权重系数,提高充电负荷的预测精度。

综上可知,考虑气象因素的改进ARIMA模型电动汽车充电负荷预测流程如图1所示。

1979年，中国科学院在内蒙古锡林郭勒草原建立草原生态系统定位研究站，对典型草原进行草原生态系统研究，标志着我国开始对草原进行综合、深入、广泛和定量化研究。经过20多年的系统研究，我国在草原现代生态特征、生态系统生产力、退化草地生态系统的恢复和改良、人工草地的建立和利用和草地畜牧业可持续发展等方面取得很多科研成果[19-24]。其中，关于草地生态系统的恢复和改良方面的研究主要集中在植被以及土壤环境退化特征、退化等级评价指标、退化草地恢复演替规律、改良措施对比试验和改良机具的研制与开发几个方面。

3 算例仿真

根据2013年北京市某电动公交车充电站的负荷数据及当时的气象数据,本文分别采用了ARIMA、改进ARIMA(IP-ARIMA)与考虑气象因素的改进ARIMA负荷预测模型进行仿真对比分析,并以1 MW作为被测标准值,通过最大相对误差(MPE)和均方根误差(RMSE)来衡量预测模型的性能。考虑季节性特点对气象因素的影响,分别选取气象变化不明显的5月、8月中的两日,以及气象变化剧烈的10月、12月中的两日作为测试日。负荷实测值与预测值比较分别如图2～图5所示。各类模型的预测误差对比如表2所示。

图1 考虑气象因素的改进ARIMA负荷预测流程

图2 5月测试日负荷实测值与预测值比较

图3 8月测试日负荷实测值与预测值比较

图4 10月测试日负荷实测值与预测值比较

图5 12月测试日负荷实测值与预测值比较

表2 各类模型的预测误差对比 %

月份ARIMA模型预测误差改进ARIMA模型预测误差考虑气象因素的改进ARIMA模型预测误差MPERMSEMPERMSEMPERMSE5月69.215.4367.373.9666.233.258月105.398.6394.777.9893.926.8510月174.659.79164.868.02133.187.3612月96.326.1784.955.9436.105.55平均值111.397.51102.986.4882.365.75

由图2至图5可知,采用本文所提预测模型所得预测曲线与充电负荷实际曲线相比,其变化趋势有更好的相合性。

由表2可知,与ARIMA模型及改进ARIMA模型相比,所提模型在冬季测试日的误差下降幅度最大,分别达到60.22%和48.85%,在春季测试日的误差下降幅度最小,分别为11.47%和8.51%。分析其原因在于季节不同气象因素突变率差异较大。综上可知,本文所提模型的预测精度更高。

4 结 语

考虑到气象变化对电动汽车充电需求的影响,本文分析了电动汽车充电负荷与气象因素的相关性,并以ARIMA算法模型为预测原型,利用数据窗口的滚动和指数加权的方式对ARIMA模型进行了改进。通过与忽略气象条件的预测方法相比,所提模型不但能够有效预测电动汽车的充电负荷,还增强了预测的精度和稳定性。

【参 考 文 献】

[1] 李立理,张义斌.国内外电动汽车市场的比较分析及启示[J].中国电力,2013,46(10):74-77.

[2] 胡泽春,宋永华,徐智威,等.电动汽车接入电网的影响与利用[J].中国电机工程学报,2012,32(4):1-10.

[3] 刘青,戚中译.基于蒙特卡洛法的电动汽车负荷预测建模[J].电力科学与工程,2014,30(10):14-19.

[4] 张洪财,胡泽春,宋永华,等.考虑时空分布的电动汽车充电负荷预测方法[J].电力系统自动化,2014,38(1):13-20.

[5] 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.

[6] 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.

[7] 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.

[8] 范美强,廖维林,吴伯荣,等.电动车用MH-Ni电池温度特性研究[J].电池工业,2004,9(6):287-289.

[9] 孟天星,张厚升.基于ARIMA模型的风电场短期风速预测[J].科学技术与工程,2013,13(33):27-32.

[10] DICKEY D.Time series theory and methods[J].Springer,1991,15(2):159-181.

[11] 罗浩成,胡泽春,张洪财.环境温度对电动汽车充电负荷的影响分析[J].电力建设,2015,36(7):69-74.

[12] 徐泰山,鲍颜红,苏寅生,等.暂态稳定断面功率极限区间和关联度指标计算[J].电力系统自动化,2016,40(20):154-160.