一种基于GCN-Autoformer的电动汽车充电负荷预测方法与流程
本发明涉及电力系统负荷预测，特别涉及了一种基于gcn-autoformer的电动汽车充电负荷预测方法。
背景技术：
1、在全球低碳化转型背景下，电动汽车作为减少co2排放、缓解能源短缺等方面的关键技术，展现了良好的发展潜力。电动汽车充电负荷作为一种特殊负荷，具有时间和空间上的不确定性，大规模电动汽车入网将会导致负荷波动，影响电力系统的安全稳定运行。因此，有必要对充电负荷进行预测，以识别电动汽车充电规律，有针对性地制定应对策略，例如进行电动汽车充电站选址定容、有序充电控制等。
2、目前，电动汽车充电负荷预测的研究主要分为模型驱动方法与数据驱动方法。模型驱动方法采用数学模型推演用户行为在各种因素影响下的情况，以模拟充电负荷的时空分布特性。尽管基于传统模型驱动的方法具有较强的通用性和可解释性，但由于模型复杂性以及存在多个不确定性因素，这些方法在建模过程中需要进行多项假设；此外，车主的充电行为受充电站位置分布、充电电价等多种因素的影响，这些因素在模型驱动方法中没有得到充分的体现。因此，现有的模型驱动方法在电动汽车负荷预测上存在一定的缺陷。随着大数据和人工智能技术的迅速发展，基于数据驱动的预测模型逐渐成为解决传统模型驱动方法所面临问题的有效手段。与模型驱动方法相比，数据驱动方法能够有效利用实际数据建立预测模型，模型预测结果更贴近真实充电负荷的情况；数据驱动方法还可以计及多种影响因素，如充电站位置分布、充电电价对用户充电行为的影响等。这种方法能够更全面地理解车主的行驶和充电行为，从而更准确地预测充电需求。
3、常规数据驱动方法多将充电负荷预测视为时间序列预测问题，着重挖掘负荷数据的时间维信息，却忽略了路网信息与各个充电站之间的潜在联系，未能充分挖掘负荷数据中的空间维信息；同时忽略了充电电价等多种因素对充电量的影响。
技术实现思路
1、本发明的目的是克服现有技术中存在的充电负荷预测忽略了不同充电站负荷的空间维信息以及充电电价对用户行为的影响，导致充电负荷预测误差较大、准确性较低的缺陷，提供了一种基于gcn-autoformer的电动汽车充电负荷预测方法。该方法深度挖掘电动汽车充电负荷数据中的空间维信息，计及充电站位置分布、充电电价对用户充电行为的影响，通过深度神经网络模型处理各类复杂因素的潜在联系，提高电动汽车充电负荷预测精度。
2、为了实现上述目的，本发明采用以下技术方案：
3、一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，包括下列步骤：
4、s1：采集区域多个充电站历史充电负荷数据以及历史充电价格数据；
5、s2：结合充电站空间特征，构建含充电站路网信息的充电站图样本数据集；
6、s3：构造基于gcn-autoformer的并联时空神经网络模型，利用图样本数据集对所述模型进行训练，提取图样本数据集中的空间特征和时间特征并进行特征融合；
7、s4：保存达到预期预测精度的并联时空神经网络模型，进行电动汽车充电负荷预测。
8、本发明提供的一种基于gcn-autoformer的电动汽车充电负荷预测方法，将充电站包含充电负荷数据和充电价格数据的时间特征和包含充电站空间分布信息的空间特征融合，降低了充电站充电负荷预测误差，在保证充电负荷预测精度的同时提高预测效率。
9、作为优选，所述步骤s2包括：
10、s2.1：将充电站视作图的节点，充电站之间的路径视作图的边：节点蕴含每个充电站的历史充电负荷数据以及充电价格数据，边蕴含充电站之间的相邻信息。利用节点和边的集合，构建含充电站相邻信息的图数据；
11、s2.2：将n个充电站的t个时间步的充电负荷数据、充电价格数据以及t+1时刻的负荷值作为一个图样本数据；
12、s2.3：根据采集的充电站历史数据在时间轴上的顺序，利用滑动窗口原理构建图样本数据集。
13、作为优选，所述步骤s2.1包括把相邻充电站之间的路径距离作为边的特征：
14、利用邻接矩阵表示充电站之间的连接关系；
15、通过地图收集每个充电站的位置信息并记录每个充电站的地理坐标；
16、获取充电站之间的路径连接情况及距离数据，将充电站之间的路径距离数据作为边特征，构建n个充电站之间的边特征数据集并进行归一化处理。
17、邻接矩阵a是一个n×n的矩阵，其中n是图中节点即区域充电站的数量，如果电站i和电站j之间存在直接的路径连接，则aij＝1，否则aij＝0。
18、作为优选，所述步骤2.3中利用滑动窗口原理构建图样本数据集包括：
19、s2.3.1：滑动窗口将前t个时间步的节点特征作为并联时空神经网络模型的输入特征，将第t+1时刻的充电负荷数据作为对应预测的目标值，构建出一个样本数据；
20、s2.3.2：滑动窗口向前移动一步，重复s2.3.1获得下一个样本数据；
21、s2.3.3：重复步骤s2.3.2获得多个样本，进而构建含多个样本的图样本数据集。
22、不同节点在每个时刻的特征都是充电负荷值以及充电价格(节点特征)，滑动窗口方法用于构成t个时间步的特征。
23、作为优选，所述步骤s3包括：
24、s3.1：建立gcn空间特征提取神经网络模型，提取图样本数据集中的空间特征；
25、s3.2：建立autoformer时序特征提取神经网络模块，提取图样本数据集中的时间特征；
26、s3.3：构建基于gcn-autoformer的并联时空神经网络模型，将空间特征和时间特征进行特征融合。
27、作为优选，所述s3.3包括：将提取的空间特征和时间特征引入同一个注意力机制层中进行时空特征融合，融合后的特征输入到全连接神经网络层(full connected neuralnetwork，fcnn)中，构建并联时空神经网络模型。
28、并联时空神经网络模型的输入为充电站前t个时间步的充电负荷值、充电价格以及边特征数据，输出为充电站t+1时刻的充电负荷。
29、作为优选，所述s3.1中：输入图样本数据集，建立l层gcn(graph convolutionalnetwork)网络提取图样本数据集中的空间特征，每层gcn网络通过图卷积操作将充电站的特征信息传递给相邻充电站，并聚合邻居充电站的信息来更新每个充电站的特征。
30、作为优选，所述autoformer时序特征提取神经网络模块包括autoformer编码器和autoformer解码器。
31、autoformer编码器：
32、
33、autoformer解码器：。
34、式中，x表示输入的序列，h表示序列分解后的输出状态，xen表示编码后的输出，x′表示解码后的输出。
35、作为优选，设置均方误差作为并联时空神经网络模型优化的损失函数，在训练过程中，计算预测值与目标值的损失，利用优化器更新并联时空神经网络模型参数。
36、作为优选，对获取的历史数据进行预处理，利用预处理后的历史数据构建神经网络模型训练所用的标准数据集，所述标准数据集中随机抽取80％作为训练数据集，20％作为测试数据集。
37、训练数据集和测试数据集都经过步骤s2的处理，考虑充电站空间分布，构成图样本数据集。
38、因此，本发明具有如下有益效果：
39、1、利用时空信息融合的思想，引入gcn提取充电站之间的空间特征信息，并在gcn的基础上，提出结合autoformer模型，构建并联时空神经网络模型，用于处理具有时空结构的电动汽车充电负荷数据，捕捉电动汽车充电负荷之间的时空关系，充分挖掘充电站之间空间维度的信息，提高了充电站群的空间信息交互程度。
40、2、通过图卷积网络gcn学习充电站之间的连接关系，通过autoformer提取充电站负荷的时序信息，从而更全面地考虑时空因素对充电负荷的影响。同时利用gcn-autoformer模型融合多源数据，包括历史电动汽车的充电负荷、充电站的位置分布和历史充电价格多种数据信息，从而提高充电站电动汽车负荷预测的准确性。
技术特征：
1.一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，所述步骤s2包括：
3.根据权利要求1所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，所述步骤s3包括：
4.根据权利要求2所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，所述步骤2.3中利用滑动窗口原理构建图样本数据集包括：
5.根据权利要求1或2或4所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，所述s2.1包括把相邻充电站之间的路径距离作为边的特征：
6.根据权利要求3所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，所述s3.3包括：将提取的空间特征和时间特征引入同一个注意力机制层中进行时空特征融合，融合后的特征输入到全连接神经网络层中，构建并联时空神经网络模型。
7.根据权利要求3或6所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，所述s3.1中：输入图样本数据集，建立l层gcn网络提取图样本数据集中的空间特征，每层gcn网络通过图卷积操作将充电站的特征信息传递给相邻充电站，并聚合邻居充电站的信息来更新每个充电站的特征。
8.根据权利要求3或6所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，所述autoformer时序特征提取神经网络模块包括autoformer编码器和autoformer解码器。
9.根据权利要求1或2或3或4或6所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，设置均方误差作为并联时空神经网络模型优化的损失函数，在训练过程中，计算预测值与目标值的损失，利用优化器更新并联时空神经网络模型参数。
10.根据权利要求1或2或3或4或6所述的一种基于gcn-autoformer的电动汽车充电负荷预测方法，其特征在于，对获取的历史数据进行预处理，利用预处理后的历史数据构建神经网络模型训练所用的标准数据集，所述标准数据集中随机抽取80%作为训练数据集，20%作为测试数据集。
技术总结
本发明公开了一种基于GCN‑Autoformer的电动汽车充电负荷预测方法，克服了现有技术中存在的因忽略不同充电站负荷的空间维信息以及充电电价对用户行为的影响，导致充电负荷预测误差较大、准确性较低的缺陷，包括下列步骤：采集充电站历史充电负荷数据以及历史充电价格数据；结合充电站空间特征，构建含充电站路网信息的充电站图样本数据集；构造基于GCN‑Autoformer的并联时空神经网模型提取图样本数据集中的空间特征和时间特征并进行特征融合，以完成模型训练；保存达到预期预测精度的并联时空神经网络模型，进行电动汽车充电负荷预测。深度挖掘电动汽车充电负荷数据中的空间维信息，计及充电站位置分布、充电价格对用户充电行为的影响，提高电动汽车充电负荷预测精度。
技术研发人员：鲍翔,陈建红,何剑杰,池映晨,黄彦,吴燕,陈晓东,潘孝义
受保护的技术使用者：浙江捷安工程有限公司
技术研发日：
技术公布日：2024/9/23