基于动态自适应图神经网络的电动汽车充电负荷预测.pdfVIP

基于动态自适应图神经网络的电动汽车充电负荷预测

摘要：电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大

的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先，构建了

一个充电负荷信息时空关联特征提取层，将多头注意力机制与自适应相关图结合生成具有时空关

联性的综合特征表达式，以捕获充电站负荷的波动性；然后，将提取的特征输入到时空卷积层，捕获

时间和空间之间的耦合关系；最后，通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长

时间序列之间的能力。以PaloAlto数据集为例，与现有方法相比，所提算法在4种波动情况下的平

均预测误差大幅降低。

关键词：电动汽车；负荷预测；时空关联特征；自适应图神经网络；注意力机制；时空卷积层

0引言样本数量的限制，充电负荷预测的精度难以保证。

随着人工智能（artificialintelligence，AI）技术的

在实施“碳达峰·碳中和”的目标背景下，电动汽

快速发展，ML方法在充电负荷预测任务中应用日

车（electricvehicle，EV）作为一种使用可再生能源的

［4］

趋广泛。文献［11］将卷积神经网络与长短期记忆

交通工具，是推动国家能源清洁转型的重要方式之

［1］模型结合，用于提取负荷数据的空间特征与时间特

一。然而，大规模EV的无序接入造成所在区域电

征以提高短期负荷预测精度。文献［12］利用长短

［2］

网负荷出现高波动性和高随机性等特点，将会对

期记忆神经网络和支持向量机等模型进行子序列充

［3］

电网造成潜在危险。同时，给用电负荷预测任务

电需求预测，并通过堆叠集成学习策略综合考虑各

带来了新挑战。对EV充电站负荷进行精准预测不

模型预测的结果。文献［13］利用可学习的空间邻接

［4］

仅是研究电网负荷规划任务的基础，而且是对EV

矩阵构建图WaveNet充电负荷预测框架。文献

进行充电引导的前提，对推动充电设施规划具有重

［14］利用小波分解提取可再生能源时序与频域信

［5］

要意义。

息，结合双向长短期记忆网络模型和注意力机制挖

目前，EV充电负荷预测的方法主要分为基于

掘深层数据信息。文献［15］将图卷积网络与门控循

统计学习的方法和基于机器学习（machinelearning，

［6］环单元（gaterecurrentunit，GRU）相结合，从而预测

ML）的方法。统计学习方法主要利用统计分析技

充电站的可用性。这些模型考虑到了不同充电站之

术对EV充放电的历史数据进行建模和分析，预测

间充电负荷的复杂时空依赖性，但是并未考虑不同

［7］

未来的充电负荷。文献