1.一种基于改进的IGA‑RBF神经网络短期负荷预测方法，其特征在于，该方法包括以下步骤：S1，在RBF模型预测的基础上，利用改进遗传算法的进化寻优能力，构建改进的IGA‑RBF神经网络模型，以电力系统负荷历史数据为基础，进行电力系统短期负荷预测；

S2，基于获取的电力系统短期负荷预测数据，搭建电动汽车充放电模型，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系；利用调节充电功率获取电动汽车参与需求响应的降负荷潜力，分析单台电动汽车在不同影响因素下的降负荷潜力；

S3，基于单台电动汽车在不同影响因素下的降负荷潜力结果，利用所述改进的IGA‑RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测，并利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷；

S4，在降负荷潜力研究的前提下，采用改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量；

在步骤S1中，构建改进的IGA‑RBF神经网络模型，包括以下步骤：(1)对数据集进行初始化，对实验数据进行去噪和标准化处理，减少不合理数据对预测的影响并减小计算量；

(2)对训练数据集进行划分，将训练数据集划分成a和b两部分，其中b部分为选取训练集某日的数据，a部分为训练集中去除b部分的数据；

(3)利用GA生成初始种群，利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到隐藏层径向基函数的分类中心Tk；

(4)利用步骤(3)中隐藏层径向基函数的分类中心Tk的隐藏层个数N，隐藏层径向基函数的分类中心Tk、方差σk构建RBF训练模型，对数据集进行训练，并利用负梯度下降法更新权重，直到精度满足要求或迭代次数达到最大值；

(5)利用训练好的RBF模型对训练集中待预测日进行预测，然后计算每个种群的适应度MAE；

如果条件没有停止，则对种群根据各自适应度进行选择交叉变异，然后利用种群参数，令Kmeans算法中k＝N将数据分类，根据分类结果得到隐藏层径向基函数的分类中心Tk；如果条件已经停止，则进入到下一个步骤(6)；

(6)按照训练结果选择种群中适应度最优的个体作为RBF的隐藏层层数N，对整个训练集数据进行训练，获取改进的IGA‑RBF神经网络模型各参数，再对待预测日进行预测，获取待预测日的电力负荷数据；

在步骤S2中，搭建电动汽车充放电模型前，还需对用电负荷曲线进行预测，具体包括：利用Matlab或Simulink软件，通过改进的IGA‑RBF神经网络建立的负荷预测模型对训练数据进行训练，得到电动汽车充电速率变化比，该电动汽车充电速率变化比用于评价电动汽车降负荷能力，该电动汽车充电速率变化比定义为功率变化百分比与SOC增长斜率变化比的比值，得到：式中，ΔP是功率P(t)的振幅变化，P0表示充电初始功率；ΔS为功率变化前后SOC增长斜率的振幅变化，S0为功率变化前SOC的增长斜率；

在步骤S2中，根据系统辨识方法辨识出电动汽车负荷的充电功率与电池荷电状态的关系，包括：利用系统辨识方法对系统的传递函数进行参数估计，分析充电功率P与电池的SOC的关系；利用遍历搜索法查找数组中的每一个元素，最终找出满足要求的功率最小值；

设定电池充电的初始剩余容量SOC0，充电初始功率P0，初始充电电流I0，充电t1时间，功率下降到Pn，n＝0，1，2，…，充电电流也随之下降至In，n＝0，1，2，…；二者之间的函数关系系数为β，则有如下关系式：Pn＝β×In

式中，β是充电功率与SOC之间的关系系数，Pn是t1时间后的充电功率，In是t1时间后的充电电流；

进而得到充电t1时间内初始充电电流I0与充电时的SOC变化量的关系如下：‑1

SOC(t1)＝G(z )×β×I0；

‑1

式中，SOC(t1)是在t1时刻SOC的值，G(z )是离散传递函数；β是充电功率与SOC之间的关系系数，I0是初始充电电流；

需求响应开始时间t1至充电结束时间t2这段时间内，电流由原来的I0减小为In进行充电，SOC变化量随电流In变化的情况如下式：‑1

SOC(t2‑t1)＝G(z )·β·In，0＜In＜I0；

‑1

式中，SOC(t2‑t1)是在t1时刻至t2时刻SOC的变化量，G(z )是离散传递函数；β是充电功率与SOC之间的关系系数，In是t1时间后的充电电流；

设置SOC充电完成边界值为 电池充电时间t2时刻时电池SOC2大于 即充电完成，SOC2由下面等式表示：式中，SOC2是电池充电时间t2时刻电池的荷电状态，SOC0是电池初始荷电状态，SOC(t1)是电池在t1时刻SOC的值，SOC(t2‑t1)是t1时刻至t2时刻SOC的变化量；

在步骤S2中，分析单台电动汽车在不同影响因素下的降负荷潜力包括：在Matlab或Simulink上建立电动汽车充电和放电系统的仿真模型，获取电池的SOC、电流、充电功率参考数据；

通过对该电动汽车充电和放电系统的仿真模型模拟充电，得到充电功率、充电电流与SOC的关系，在该电动汽车充电和放电系统的仿真模型中对电池输入合理的阶跃功率信号，得到电动汽车充电功率响应图、电动汽车充电电流与SOC响应图；

在电力系统中，当电网用电负荷过大时，对电网中的用电负荷进行控制，调节电动汽车的充电电流，减轻电网的用电压力，同时保证电动汽车在规定的时间内充电到协议离网SOC预定值；

在步骤S3中，利用所述改进的IGA‑RBF神经网络模型对集群电动汽车的能源管理系统负荷进行预测包括：利用SOC变化曲线，确定电动汽车功率随SOC所获得的轨迹，在运行约束下，通过电动汽车功率输出使整体负荷曲线趋于平坦；

对数据进行提取分析，编写数学目标函数：

e(t)＝Pf(t)×P(t)

式中， 是预测范围内的时间步数；参数Pf(t)、P(t)、e(t)分别是预测负荷功率、电动汽车输出功率以及在时间段t内预测负荷功率值与电动汽车输出功率值之间的误差；

得出电动汽车输出功率受SOC约束的表达式为：

式中，WE和Wt分别表示在时间步长t处的电动汽车容量和存储容量，Pmin和Pmax表示最小和最大电动汽车输出功率限值；Δt表示计划时间间隔；SOCmin和SOCmax表示最小和最大允许SOC值；

在步骤S3中，所述利用调峰平滑同步法对电力系统负荷曲线进行削峰填谷包括：定义Pm(t)为在时间t的功率平滑级别，则表示成如下组合：

式中，Pm(t)是在时间t的功率平滑级别，WE表在时间步长t处的电动汽车容量，Pm(t)前两个分量包括当前预测值和平均值，剩余的项代表与预定点的SOC偏差，用来消除SOC偏差；

Pf(t+Δt)表示提前二十分钟的负荷预测，负责计算平滑级别，平滑级别在每个周期结束时更新；

利用最小化成本函数获得最佳的电动汽车功率：

利用当前负荷值，提前二十分钟的预测负荷可以得到参考发电功率：PL(tk)＝(P(t)‑Pf(t))+m(tk‑t)

式中，m是发电功率曲线的修正量，m可由下式定义：

式中，g[SOC(t)]定义为电力负荷曲线修正更新量，P(t)是电动汽车输出功率，Pf(t+Δt)表示提前二十分钟的负荷预测；

在步骤S4中，所述降负荷潜力研究包括：

对不同需求响应开始时刻的初始SOC下的降负荷情况分析，在需求响应持续时间和协议离网SOC预定值不变的情况下，初始SOC的变化，影响电动汽车的降负荷能力，需求响应开始时刻的初始SOC越小，降负荷潜力越小，反之，初始SOC值越大，降负荷潜力越大；

在步骤S4中，采用改进的禁忌搜索算法，获取集群电动汽车降负荷的最优位置，计算出所找到节点的最佳降负荷容量，包括：在电动汽车负荷参与需求响应机理分析研究的基础上，在最大降负荷潜力以内，分析电动汽车负荷主动响应参与电网调度的模型，消除用电负荷高峰期电网中设备重载和过负荷，确定最佳的电动汽车负荷调度位置和降负荷容量。

2.根据权利要求1所述的基于改进的IGA‑RBF神经网络短期负荷预测方法，其特征在于，所述电动汽车负荷主动响应参与电网调度的模型包括：(1)对目标函数进行编写：对需求响应前后配电网络总损耗之差进行函数编写；对各节点电压偏移量进行函数编写；对负荷峰值进行函数编写；对配电网峰谷负荷差、各节点电压偏置之和、充电成本进行函数编写；

(2)对约束条件进行函数编写：对潮流方程约束、支路电流约束、节点电压约束条件、配电线路传输容量约束、电动汽车区域负荷削减容量约束、电动汽车电池充电容量限制、供电电源10kV出口处功率因素进行函数编写；

(3)对步骤(1)、步骤(2)编写的动态多目标进行选择，选择出电动汽车有序充电控制策略，计算出所找到节点的最佳降负荷容量。