基于CNN-LSTM-AM的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)

中圖分類號(hào)：U469.72 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-8639（2025）10-0062

【Abstract】In view of the challenges brought by large-sale electric vehicle charging loads to the power grid and thelimitationsof traditional prediction methods，this paper proposes ahybrid neural network loadpredictionmodel based on CNN-LSTM-AM，comprehensivelyconsidering theinfluenceofload corelation factors in typical scenariosoncharging load prediction.The method proposed inthis paperisappliedtothepredictionof electric vehiclecharging load in Hainan Province.By comparing it with traditional prediction methods，the efectiveness ofthe proposed method is verified.

【Key Words】electric vehicle;chargingload;CNN-LSTM-AM;forecasting model; time series

0 引言

電動(dòng)汽車（ElectricVehicle，EV）的快速普及在推動(dòng)可持續(xù)發(fā)展的同時(shí)，其大規(guī)模無序充電行為對(duì)電網(wǎng)的穩(wěn)定性、安全性和經(jīng)濟(jì)性構(gòu)成嚴(yán)峻挑戰(zhàn)[1]。作為新型電力系統(tǒng)中高增長(zhǎng)、具有顯著時(shí)空不確定性的負(fù)荷，實(shí)現(xiàn)精準(zhǔn)的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)，已成為電網(wǎng)規(guī)劃、調(diào)度及能源管理領(lǐng)域中一個(gè)亟待解決的關(guān)鍵課題。

EV充電負(fù)荷的預(yù)測(cè)方法一般可分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)[2]。早期的模型驅(qū)動(dòng)方法，如自回歸積分移動(dòng)平均時(shí)間序列分析法，雖在處理線性問題時(shí)有效，但其線性假設(shè)和靜態(tài)參數(shù)結(jié)構(gòu)使其難以捕捉充電負(fù)荷數(shù)據(jù)固有的非線性特征與動(dòng)態(tài)變化規(guī)律；另一類，如蒙特卡洛模擬的概率建模方法、馬爾科夫出行鏈等[3，通過對(duì)用戶行為進(jìn)行概率假設(shè)來匯總推斷群體負(fù)荷。但這種簡(jiǎn)化假設(shè)常與復(fù)雜的現(xiàn)實(shí)情況存在較大偏差，無法適應(yīng)和捕捉現(xiàn)實(shí)世界中充電行為的高度復(fù)雜性、動(dòng)態(tài)性和非線性，模型的魯棒性較差。為解決傳統(tǒng)模型驅(qū)動(dòng)預(yù)測(cè)方法的局限性，相關(guān)研究提出了基于機(jī)器學(xué)習(xí)（含深度學(xué)習(xí)）的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)方法，其中長(zhǎng)短期記憶（LongShort-TermMemory，LSTM）{4在預(yù)測(cè)領(lǐng)域應(yīng)用最為廣泛。LSTM雖能處理非線性和長(zhǎng)期依賴性，但需大量數(shù)據(jù)訓(xùn)練，且模型復(fù)雜度較高，易出現(xiàn)過擬合問題，使得預(yù)測(cè)結(jié)果與實(shí)際不符。

基于此，本文針對(duì)LSTM的不足，在LSTM中引人卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）和注意力機(jī)制（AttentionMechanism，AM），提出了一種混合CNN-LSTM-AM的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型。利用CNN對(duì)輸入數(shù)據(jù)局部特征的強(qiáng)大捕捉能力，結(jié)合LSTM在處理時(shí)間序列非線性關(guān)系上的優(yōu)勢(shì)，引人AM來動(dòng)態(tài)捕捉長(zhǎng)序列中的關(guān)鍵依賴信息。

1數(shù)據(jù)選擇及預(yù)處理

根據(jù)2023—2024年海南省典型市縣（區(qū)）的電動(dòng)汽車充電站歷史充電數(shù)據(jù)、電動(dòng)汽車用戶行為數(shù)據(jù)（包括充電時(shí)間、充電頻率、充電量等），以及典型工作日和非工作日的充電負(fù)荷數(shù)據(jù)等的特點(diǎn)，選取了地區(qū)GDP、電動(dòng)汽車保有量、私人充電樁數(shù)量、公共充電樁數(shù)量作為影響電動(dòng)汽車充電負(fù)荷的關(guān)鍵因素。

為確保數(shù)據(jù)處理的準(zhǔn)確性和結(jié)果穩(wěn)健性，首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理。然后為了融合不同時(shí)間尺度的特征，通過MIMO策略構(gòu)建輸入特征矩陣 X_to

式中：xs——短間隔時(shí)間序列； xl? ——長(zhǎng)間隔時(shí)間序列； k 一一采樣倍數(shù)關(guān)系，即一個(gè)長(zhǎng)時(shí)間間隔包含了 k 個(gè)短時(shí)間間隔； T —一長(zhǎng)時(shí)間序列的總步長(zhǎng)；concat （.，.） ——拼接操作； xs_1：k ——從第1個(gè)到第 k 個(gè)短時(shí)間序列值的切片。

對(duì)于長(zhǎng)間隔序列的每個(gè)時(shí)間點(diǎn) i（i=1，2，...，T ），根據(jù)式（2）計(jì)算或獲取對(duì)應(yīng)的長(zhǎng)間隔值 xl_i ，之后提取與該長(zhǎng)間隔時(shí)間段相對(duì)應(yīng)的 k 個(gè)連續(xù)的短間隔值xs_{（T-1）k+1：Tk} ，將標(biāo)量 xl_i 與 k 維的向量 xs 進(jìn)行拼接，形成一個(gè) k+1 維的特征向量： [xl_i，xs_（i-1）k+1，...，xs_ik] 最后，將生成的 T 個(gè) k+1 維行向量按時(shí)間順序堆疊起來，如式（1），最終形成一個(gè)維度為 T?（k+1） 的多尺度輸人特征矩陣 X_t° 矩陣的每一行對(duì)應(yīng)一個(gè)長(zhǎng)間隔時(shí)間點(diǎn)i，包含該點(diǎn)的長(zhǎng)間隔聚合值及其對(duì)應(yīng)的 k 個(gè)短間隔原始值，這種方法融合了不同時(shí)間尺度的信息，有助于解決單一序列輸入信息不足及時(shí)間特征缺失的問題。需特別注意，長(zhǎng)短間隔序列的采樣率必須滿足整數(shù)倍關(guān)系 k 。

2基于CNN-LSTM-AM的充電負(fù)荷預(yù)測(cè)框架

首先構(gòu)建基于CNN-LSTM-AM的算法框架（圖1）。該框架運(yùn)用CNN從數(shù)據(jù)里提取空間特征，LSTM的第1層和第2層承擔(dān)提取時(shí)間特征的任務(wù)，AM則用于捕捉長(zhǎng)時(shí)間序列中的依賴關(guān)系。其注意力層為解碼器的輸入生成向量，能夠高效地從海量信息中提煉出與當(dāng)前任務(wù)最為相關(guān)的部分，從而有效提升長(zhǎng)序列的預(yù)測(cè)精度。基于CNN-LSTM-AM算法的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)流程如圖2所示。

圖1 CNN-LSTM-AM的算法框架

圖2電動(dòng)汽車充電負(fù)荷預(yù)測(cè)流程圖

基于CNN-LSTM-AM算法的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)流程是實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)的關(guān)鍵步驟，涵蓋了從數(shù)據(jù)預(yù)處理到最終預(yù)測(cè)結(jié)果輸出的全過程。

2.1數(shù)據(jù)收集與預(yù)處理

首先，需要收集相關(guān)的數(shù)據(jù)，這些數(shù)據(jù)包括電動(dòng)汽車充電站的歷史充電數(shù)據(jù)、電動(dòng)汽車用戶的行為數(shù)據(jù)（如充電時(shí)間、充電頻率、充電量等），以及一些影響電動(dòng)汽車充電負(fù)荷的關(guān)鍵因素，如地區(qū)GDP、電動(dòng)汽車保有量、私人充電樁數(shù)量、公共充電樁數(shù)量等。

接著，對(duì)收集到的數(shù)據(jù)進(jìn)行預(yù)處理。具體而言，數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、歸一化處理等步驟。

2.2 特征構(gòu)建

在數(shù)據(jù)預(yù)處理之后，需要構(gòu)建輸入特征矩陣。這是通過多進(jìn)多出（MultipleInputMultipleOutput，MIMO）策略來實(shí)現(xiàn)的。MIMO策略的核心思想是融合不同時(shí)間尺度的特征，以充分利用數(shù)據(jù)中的時(shí)間和空間信息。具體來說，將短間隔時(shí)間序列和長(zhǎng)間隔時(shí)間序列結(jié)合起來，構(gòu)建一個(gè)多尺度的輸人特征矩陣。這種方法能夠有效地融合不同時(shí)間尺度的信息，有助于解決單一序列輸入信息不足及時(shí)間特征缺失的問題，為后續(xù)的模型訓(xùn)練提供了更豐富的特征表示。

2.3 CNN特征提取

構(gòu)建好輸入特征矩陣后，進(jìn)入模型的第一個(gè)模塊——卷積神經(jīng)網(wǎng)絡(luò)（Convolutional NeuralNetwork，CNN）。CNN通過卷積層和池化層的操作，能夠自動(dòng)地學(xué)習(xí)數(shù)據(jù)中的局部特征和模式。卷積層通過卷積核在輸入數(shù)據(jù)上滑動(dòng)，提取出數(shù)據(jù)中的局部特征，這些局部特征可以是充電負(fù)荷在相鄰時(shí)間點(diǎn)之間的變化趨勢(shì)、周期性模式等。池化層則用于降低特征的維度，同時(shí)保留重要的特征信息，提高模型的計(jì)算效率和泛化能力。經(jīng)過CNN的處理，輸入數(shù)據(jù)的空間特征被有效地提取出來，為后續(xù)的時(shí)間序列分析提供了更易于處理的特征表示。

2.4 LSTM時(shí)間序列分析

提取了空間特征后，接下來進(jìn)入模型的第二個(gè)模塊——長(zhǎng)短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）。在電動(dòng)汽車充電負(fù)荷預(yù)測(cè)中，充電負(fù)荷數(shù)據(jù)具有明顯的時(shí)間序列特性，如日周期性、周周期性等，LSTM可以很好地捕捉這些長(zhǎng)期依賴關(guān)系，從而更準(zhǔn)確地預(yù)測(cè)未來的充電負(fù)荷。

2.5 AM注意力機(jī)制

在LSTM處理完時(shí)間序列數(shù)據(jù)后，進(jìn)入模型的第三個(gè)模——注意力機(jī)制（AttentionMechanism，AM）。在電動(dòng)汽車充電負(fù)荷預(yù)測(cè)中，注意力機(jī)制可以動(dòng)態(tài)地捕捉時(shí)間序列中的關(guān)鍵時(shí)間點(diǎn)，如充電高峰時(shí)段、節(jié)假日等，這些時(shí)間點(diǎn)對(duì)充電負(fù)荷的預(yù)測(cè)具有重要的影響。AM模塊通過計(jì)算輸入序列中每個(gè)時(shí)間點(diǎn)的重要性權(quán)重，將這些權(quán)重與對(duì)應(yīng)的特征向量相乘，得到加權(quán)后的特征向量。然后，將這些加權(quán)后的特征向量進(jìn)行加和，得到一個(gè)綜合的特征向量，該向量能夠更好地反映時(shí)間序列中的關(guān)鍵信息。注意力機(jī)制的引入，使得模型能夠更加關(guān)注重要的時(shí)間點(diǎn)和特征，從而提高預(yù)測(cè)的準(zhǔn)確性和魯棒性。

2.6 預(yù)測(cè)結(jié)果輸出

最后，經(jīng)過CNN、LSTM和AM模塊處理后的特征向量被輸入到輸出層，輸出層通過一個(gè)全連接神經(jīng)網(wǎng)絡(luò)，將特征向量映射到預(yù)測(cè)的充電負(fù)荷值。全連接神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)通過訓(xùn)練過程進(jìn)行學(xué)習(xí)和優(yōu)化，以最小化預(yù)測(cè)值與真實(shí)值之間的誤差。最終，模型輸出預(yù)測(cè)的電動(dòng)汽車充電負(fù)荷值，這些預(yù)測(cè)值可以用于電網(wǎng)規(guī)劃、調(diào)度和能源管理等領(lǐng)域，為電動(dòng)汽車的有序充電和電網(wǎng)的穩(wěn)定運(yùn)行提供決策支持。

3 算例分析

選取基于聚類方法的負(fù)荷預(yù)測(cè)、等比例法來比較驗(yàn)證所提出的CNN-LSTM-AM模型預(yù)測(cè)效果。2025—2030年海南省最大充電負(fù)荷預(yù)測(cè)結(jié)果對(duì)比如圖3所示。從圖中可以看出，本文的預(yù)測(cè)值與等比例法相近，根據(jù)2025年夏季最大充電負(fù)荷實(shí)際值對(duì)比可知，本文方法預(yù)測(cè)結(jié)果更為準(zhǔn)確。

圖32025—2030年海南省最大充電負(fù)荷預(yù)測(cè)結(jié)果對(duì)比

4結(jié)論

本文提出了一種混合CNN-LSTM-AM的神經(jīng)網(wǎng)絡(luò)電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型，用于解決海南省電動(dòng)汽車充電負(fù)荷的預(yù)測(cè)問題。首先分析海南省典型場(chǎng)景下負(fù)荷關(guān)聯(lián)因素對(duì)充電負(fù)荷預(yù)測(cè)的影響，其次基于海南省真實(shí)充電負(fù)荷歷史數(shù)據(jù)，結(jié)合不同時(shí)間尺度特征，采用MIMO策略處理輸入數(shù)據(jù)，最終通過CNN提取局部特征，利用融合注意力機(jī)制的LSTM處理時(shí)間序列關(guān)系，實(shí)現(xiàn)了對(duì)復(fù)雜影響因素的綜合考量。通過試驗(yàn)結(jié)果與預(yù)測(cè)方法比較，所提出的模型預(yù)測(cè)結(jié)果與實(shí)際趨勢(shì)更為吻合，驗(yàn)證了本文方法的有效性。

參考文獻(xiàn)

[1] PALANISAMY S， LALA H. Optimal sizing of renewable energy powered hydrogen and electric vehicle charging station （HEVCS） [J].IEEEAccess，2024（12）：48239-48254.

[2] SHENX，ZHAOH，XIANGY，etal.Short-term electricvehicles chargingload forecastingbased on deeplearning inlow-quality dataenvironments[J].Electric Power Systems Research，2022 （212）：108247.

[3]任明遠(yuǎn)，姜明軍，宋玉峰，等.基于蒙特卡洛法的城市電動(dòng) 汽車充電負(fù)荷預(yù)測(cè)[J].電氣應(yīng)用，2023，42（4）：18-23.

[4]GHENAIC，AHMADFF，REJEBO.Artificial neural networkbased models for short term forecasting of solar PV power output and battery state of charge of solar electric vehicle charging station[J].Case Studies in Thermal Engineering，2O24（61）： 105152.

（編輯 楊景）