本技术公开了基于GCN‑Transformer模型的电动汽车电池更换站在不同耦合下的时空负荷预测方法,具体为:步骤1,获取n个换电站k小时内的电负荷数据,对换电负荷数据进行预处理,并将预处理后的数据分为训练集和验证集;步骤2,获取n个换电站之间的邻接矩阵A;步骤3,构建含有多头注意力机制与稀疏注意力机制的GCN‑Transformer模型;步骤4,采用训练集中的数据对步骤构建的模型进行训练;步骤5,使用训练好的模型进行电动汽车电池更换站在不同耦合下的时空负荷预测。本发明通过集成空间和时间特征,能够捕捉换电站之间复杂的时空依赖关系,增强了负荷预测的准确性。
背景技术
电动汽车(EV)因其减少的碳排放和较低的运营成本,在城市交通和物流中取得了成功中文文献的引用格式世界各国政府都在鼓励将城市货运运输从传统的柴油车辆转变为电动车辆。然而,大规模电动汽车的无序集成导致了区域电网负荷的高波动性和随机性,这给电网系统带来了潜在风险,并为负荷预测任务带来了新的挑战)。准确预测电动汽车站的负荷不仅是研究电网负荷规划任务的基础,也是指导电动汽车充电的先决条件,这对于促进充电设施规划至关重要。
目前,电动汽车站负荷预测的方法主要分为两类:基于统计学习和基于机器学习(ML)的方法。统计学习方法通常涉及使用统计分析技术对电动汽车站充电的历史数据进行建模和分析,以预测未来的充电负荷。例如:基于车辆类型、充电时长、日行驶里程、开始充电时间、充电模式和初始充电状态等因素建立了一个电动汽车充电负荷预测模型,实现了高准确性。通过分析用户驾驶模式,采用蒙特卡洛模拟方法建立了一个可扩展的电动汽车站需求模型。基于用户充电偏好、充电功率和充电位置等统计数据,构建了一个典型用户的概率旅行模型。尽管这些方法易于理解和实施,但它们通常受限于数据质量和样本大小,这使得确保负荷预测的准确性变得具有挑战性。传统的统计方法严重依赖于历史数据的质量和完整性。如果历史数据缺失、错误或样本量不足,这些方法的预测准确性将显著下降。此外,这些方法通常假设数据遵循某些统计规律,这使得捕捉电动汽车(EV)电池更换站负荷数据中的非线性模式和复杂交互变得困难,特别是当负荷受到多个不可预测因素的影响时。随着新数据的不断出现,这些方法需要定期重新建模和校准,这个过程通常既耗时又费力。
随着人工智能(AI)技术的快速发展,ML方法越来越多地应用于充电负荷预测任务,特别是在与电动汽车相关的各个领域。例如:一种基于扩展因果卷积2D神经网络的充电负荷时空预测方法,通过将每个电池更换站的负荷以热图形式输入,有效捕捉了充电负荷的时空分布,主要探索了具有地理邻近性的多个电池更换站负荷之间的时空耦合关系,为多个电池更换站实现了良好的预测结果。然而,在现实世界的场景中,多个公共电池更换站可能具有差异化的耦合关系,可能包括具有相似充电模式但没有地理邻近性的电池更换站。尽管考虑了充电负荷之间的时空耦合关系,但由于按顺序输入欧几里得空间数据的限制,模型未能学习当前充电负荷与特定多个充电负荷之间的差异化时空耦合关系,导致对充电负荷的时空分布预测不准确;再例如:一种基于GCN(图卷积神经网络)的负荷时空预测方法,其中所有节点共享一组GCN参数,有效提高了负荷时空预测的准确性。然而,公共电池更换站的充电负荷受到用户电力消费行为的显著影响,每个节点的电力消费模式存在差异,如果对每个节点使用相同的GCN模型参数,那么就会存在无法表征每个节点差异化电力消费模式的问题,这影响了负荷时空预测的效果。
实现思路