CN117273076A - 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统 - Google Patents

一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统 Download PDF

Info

Publication number
CN117273076A
CN117273076A CN202310952299.XA CN202310952299A CN117273076A CN 117273076 A CN117273076 A CN 117273076A CN 202310952299 A CN202310952299 A CN 202310952299A CN 117273076 A CN117273076 A CN 117273076A
Authority
CN
China
Prior art keywords
time
convolution
data
attention
space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310952299.XA
Other languages
English (en)
Inventor
石锦凯
张维戈
王志豪
鲍谚
范森永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202310952299.XA priority Critical patent/CN117273076A/zh
Publication of CN117273076A publication Critical patent/CN117273076A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统，涉及电动汽车技术领域；现有技术中的充电负荷图神经网络的预测方法采用的是基于固定位置拓扑的连接图，依赖相互连接关系无法充分提取相关性，对负荷预测的精度有着不容忽视的影响；本发明构建了蕴含交通和地理位置因素的充电负荷的时空图结构负荷模型，通过门控空洞因果卷积来捕捉数据的时间特征，将时空注意力机制与卷积运算相结合，引入了基于物理图和虚拟图的时空多图卷积网络，建立了基于注意力的时空多图卷积网络的充电站群负荷预测的方法及系统，提高充电站负荷预测的准确性。

Description

一种基于注意力的时空多图卷积网络的电动汽车充电站负荷 预测方法及系统
技术领域
本发明涉及电动汽车技术领域，特别涉及一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统。
背景技术
随着化石能源的枯竭和环境污染的日益严重，电动汽车作为一种高效绿色的新型交通工具得到了大力推广，相关的配套充电设施数量也增长迅速。在大量电动汽车充电站的部署进程中，充电负荷预测可以帮助充电站优化资源调度和规划，合理分配电力资源，确保充电站的经济运行，对充电站的经济运行和电力系统的稳定运行十分关键。
在建有充电站的地区，充电站将电力网络与运输网络连接起来，此时充电负荷预测不仅需要考虑充电站时间维度的历史负荷，还需要考虑邻近区域充电站的空间维度的地理位置信息。现有的一种图神经网络的预测方法，将图卷积层与长短时记忆层级联预测时空充电负荷，但是该模型采用的是基于固定位置拓扑的连接图，依赖相互连接关系无法充分提取相关性，而且该模型在训练阶段变化的时空特征和重要信息没有被注意到，对负荷预测的精度有着不容忽视的影响。
发明内容
针对现有技术中存在的不足，为提高各充电站充电负荷的预测精度，本发明提出了一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统，考虑了历史负荷、天气信息、节假日信息和电价信息等影响因素，充分挖掘了充电负荷的时空相关性，捕捉时空动态特征，在时间维度和空间维度上协同预测每个电动汽车充电站的充电负荷，提高了充电负荷的预测精度。
为解决上述技术问题，本发明提供的技术方案是：
一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法，包括以下步骤：
步骤S1，获取某一区域内充电站的历史负荷、气象数据、日期和经济因素的数据集，并对数据的特征进行筛选作为输入数据；
步骤S2，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征；
步骤S3，将时间卷积网络组件的输出经过注意力机制组件——时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息，包括某一区域内充电站的历史负荷、气象数据、日期和经济因素；
步骤S4，构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件；将时间卷积网络组件、注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层；
步骤S5，取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集，将训练集输入基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型；
步骤S1具体包括如下步骤：
1a).取预定时间段的某一区域充电站充电负荷的历史数据，数据类型包括历史负荷、气象数据、日期和经济因素；
1b).使用最大信息系数(MIC)分析两个变量之间的线性或非线性相关性，并以与预测负荷的最大信息数大于等于0.3为筛选特征的阈值；
其中Imic为最大信息系数；pa(·)表示联合概率密度；dx和dy表示两个不同的特征变量；ax表示沿x轴划分的网格数；by表示沿y轴划分的网格数。
步骤S2具体包括如下步骤：
2a).将筛选后的特征数据送入输入层中，输入层由线性卷积构成，用于将数据转换成多维信息数据；
2b).将多维信息数据送入时空卷积层中，时空卷积层由时间卷积、注意力机制和多图卷积网络组件构成；使用时间卷积捕捉多维信息数据在时间维度上的信息，在此选用空洞因果卷积，其形式为：
其中t表示时间步长；表示输入数据序列，即为经MIC筛选后得到的特征值；表示滤波器；符号*表示标准卷积运算；膨胀系数ds表示跳跃的间隔；S表示卷积核大小；s为卷积核序号；
2c).将空洞因果卷积与门控机制结合，得到时间卷积组件：
Hg＝σa(ψ1*χ)⊙σb(ψ2*χ) (3)
其中Hg表示时间卷积组件的输出；χ表示输入数据，为空洞因果卷积结果；⊙表示逐元素乘法运算符；σa表示sigmoid激活函数；σb表示tangent hyperbolic激活函数；ψ1和ψ2表示模型的参数。
步骤S3具体包括如下步骤：
3a).不同时间步长的充电负荷之间存在相关性，充电负荷在时间维度上的相关性是动态的，引入时间注意机制以自适应地将不同特征的重要性分配给输入，表示为Ee：
其中Ee为时间注意力矩阵；表示第r个时空块的输入，N为充电站个数；Cr-1为特征量个数，Tr-1为时间值，XTr-1为所有充电站和特征在时间Tr-1的值；和为可学习的参数；
获得时间维度的相关矩阵Ee后，将Ee中的Ei,j送入到softmax函数以计算标准化注意力分布E′i,j：
其中E′i,j为标准化的时间注意力矩阵中的元素，表示时间i和时间j之间的相关性权重；Ei,j为时间注意力矩阵Ee中的元素；
输入数据与标准化的注意力分布相乘，以便为每个时间步长的数据分配重要性值，输出值的计算方法如下：
其中N是充电站数量，Cr-1是特征数量，Tr-1是时间值；为充电负荷经时间注意力处理后的在Tr-1时的数据；
3b).由于不同站点的充电负荷之间的相互依赖性是高度动态的，采用空间注意力机制来捕捉充电站之间不同的特性，构成的空间相关矩阵，表示为Ss：
其中Ss为空间注意力矩阵；为可学习的参数；
然后采用softmax函数对空间相关矩阵进行标准化：
其中S′i,j是标准化空间注意力矩阵中的一个元素，表示充电站i和充电站j之间的相关性权重；Si,j为空间注意力矩阵的元素；
3c).将空间维度的注意力矩阵应用于图卷积中的邻接矩阵，以在不同的权重下自动获得最佳性能。
步骤S4具体包括如下步骤：
4a).使用阈值高斯核函数定义由组成的距离矩阵Ad，表示充电站之间几何位置相关性：
其中为距离矩阵元素；di,j表示站点i和j之间的距离；参数和εd表示阈值，用于定义稀疏矩阵以降低时间和空间的复杂度；
4b).找到站点i和j之间充电负荷的欧几里得距离使用相似性元素来表示由于相似的充电模式而导致的相似负荷，最后定义由组成的相似性矩阵
其中为站点i和j之间充电负荷的欧几里得距离；xt,i表示充电站i在时间步长t处的充电负荷，T为总时间长度；xt,j表示充电站j在时间步长t处的充电负荷；σS表示用于控制观测值的衰退率；
4c).由距离矩阵构建生成物理图，由相似性矩阵构建生成虚拟图，将物理图和虚拟图结合在新的融合图中，通过对不同的图中元素的加权求和来生成新的图，得到多图卷积网络组件；具体如下：
L＝D-A为图的信号表示的拉普拉斯矩阵，其中A为邻接矩阵，D为度矩阵；对其进行标准化得到其中IN为单位矩阵；对角矩阵表示为度矩阵，计算为Dii＝∑jAij，其中Aij为A中第i行j列元素，Dii为D中第i行i列元素；
对L改写成特征值分解形式得到L＝UΛU，U表示特征向量矩阵，表示特征值的对角矩阵；
对于给定时间步长t的充电负荷数据序列数据图的傅里叶变换可以表示为其逆变换表示为其中U是基于拉普拉斯定理的正交矩阵；
卷积形式可表示为：
gθ*Gx＝F-1(F(gθ)⊙F(x))＝gθ(L)x＝gθ(UΛUT)x＝Ugθ(Λ)UTx (12)
其中F(·)和F-1(·)表示傅里叶函数及其逆变换；*G表示图卷积运算；gθ表示卷积核；x表示输入充电负荷数据序列；L为图的拉普拉斯矩阵；U表示拉普拉斯定理的特征向量矩阵；Λ表示特征值的对角矩阵；
经典谱卷积运算量大，计算复杂度为O(N2)；使用切比雪夫多项式函数变换得到切比雪夫图卷积，可以降低计算复杂度，如下式所示：
其中λmax表示L的最大特征值；gθ表示卷积核；*G表示图卷积运算；表示多项式系数；k表示当前邻居的信息更新阶数；K表示邻居信息更新的总阶数；x为充电负荷数据序列；⊙表示逐元素乘法运算符；Ss'为标准化空间注意力矩阵；
根据切比雪夫多项式理论，函数表示为Tk(x)＝2xTk-1(x)-Tk-2(x)，其中T0(x)＝1，T1(x)＝x；通过调整参数K控制在节点中心捕获的数据量；
对图卷积层使用线性整流函数(ReLu)σc，得到σc(gθ*Gx)；
在时间片Tr-1上获得第r层的图卷积结果为：
其中为输入数据；为充电负荷经时间注意力处理后的在Tr-1时的数据；*G表示图卷积运算；gθ表示卷积核，σc为线性整流函数(ReLu)；进而使得图中的节点通过自身及其邻居的数据进行更新；
由距离矩阵Ad得物理图卷积结果：
其中Ld为物理图的拉普拉斯矩阵；为物理图卷积结果；
由相似性矩阵As得虚拟图卷积结果：
其中Ls为虚拟图的拉普拉斯矩阵；为虚拟图卷积结果；
将权重参数乘以每个图的卷积并加和得到多图卷积网络组件的输出
其中为多图卷积结果；Wd和Ws表示可学习的参数；W′d和W′s表示物理图和虚拟图的标准化权重参数；σd为softmax函数；
4d).将时间卷积网络组件、注意力机制组件和多图卷积网络组件封装为一个时空模块；将时空模块堆叠构成时空卷积层，以扩展不同时间水平上的感受野和捕捉相关性；对时空模块添加跳过连接，用以提取每个时空模块中的不同特征，从而聚合数据并传输到输出层；并对时空卷积层使用残差连接解决网络退化的问题；
4e).将时空卷积层输出的数据送入输出层中，输出层由两个线性卷积函数和两个ReLU激活函数构成，用于将数据降维至输出维度，得到不同时间的各充电站充电负荷的预测结果。
步骤S5具体包括如下步骤：
5a).取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集；
5b).将训练集放入基于注意力的多图卷积网络中，得到不同时间的各充电站充电负荷的预测结果；构造损失函数，进行基于注意力的时空多图卷积网络模型的训练和参数的优化；
其中loss表示损失函数；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；T表示预测值的总时间步长；N表示充电站的数量；
5c).评估基于注意力的时空多图卷积网络模型(STMGCN)的预测性能，选择均方误差(MSE)、平均绝对误差(MAE)、平均百分比误差(MAPE)和均方根误差(RMSE)作为衡量指标：
其中MSE为均方误差、MAE为平均绝对误差、MAPE为平均百分比误差、RMSE为均方根误差；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；T表示预测值的总时间步长；N表示充电站的数量。
一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测系统，包括：数据采集模块、特征提取模块和负荷预测模块；
数据采集模块用于采集设定时间和区域内充电站的历史负荷、气象数据、日期和经济因素的数据，存放于数据库中；
特征提取模块用于从采集的数据中筛选网络模型所需要的特征数据，然后进行标准化处理，作为输入数据；
负荷预测模块用于构建基于注意力的多图卷积网络模型，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征；将时间卷积网络组件的输出经过注意力机制组件——时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息；构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件；将时间卷积网络组件、注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层；取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集，将训练集输入基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型。
与现有技术相比，本发明的有益效果是：
本发明考虑了充电负荷的时间维度和空间维度的相关性，构建了蕴含交通和地理位置因素的充电负荷的时空图结构负荷模型。通过门控空洞因果卷积来捕捉数据的时间特征，将时空注意力机制与卷积运算相结合，引入了基于物理图和虚拟图的时空多图卷积网络，该网络可以直接提取充电负荷在时空维度上的动态相关性特征，实现对每个电动汽车充电站的充电负荷的协同预测。
相比于现有技术中的充电负荷图神经网络的预测方法，本发明基于地理位置和人类领域知识构建不同的图来捕捉充电站点之间不同的依赖关系。而且，采用了时空注意机制，直接关注重要数据，预测精度得到了提高。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的各充电站充电负荷的时空分布示意图；
图2为本发明的工作流程图；
图3为本发明的整体结构图；
图4为本发明的各数据特征最大信息系数图；
图5为本发明的不同模型负荷预测的指标对比图。
具体实施方式
本发明提出一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统包括如下步骤：
如图1所示，充电站将电力系统和交通系统联系起来，它们的充电负荷不仅受到驾驶员行为的影响，还受到上述两种系统的影响，包括交通、天气和相互位置因素。因此充电负荷的预测不仅要考虑自身的时间维度信息，还要关注邻近地区充电站的空间维度的信息。基于充电站的历史负荷和地理信息，本发明提出了一种基于注意力的时空多图卷积网络的负荷预测方法，用于预测充电站的时间和空间的充电负荷。
如图2所示，是本发明的工作流程图，包括以下步骤：
(1)步骤S1，获取某一区域内充电站的历史负荷、气象数据、日期和经济因素的数据集，并对数据的特征进行筛选作为输入数据。
(2)步骤S2，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征。
(3)步骤S3，将时间卷积网络组件的输出经过注意力机制组件——时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息，包括某一区域内充电站的历史负荷、气象数据、日期和经济因素。
(4)步骤S4，构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件。将时间卷积网络组件、注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层。
(5)步骤S5，取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集，将训练集输入所述基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型。
(6)步骤S6，使用成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型，建立时空充电负荷预测系统，对区域内充电站充电负荷进行预测。
如图3所示，为本发明的整体结构图。
步骤S1具体包括如下步骤：
1a).取预定时间段的某一区域充电站充电负荷的历史数据，数据类型包括历史负荷(充电功率)、气象数据(温度、风向、风速、气压、湿度和降雨概率)、日期(时间、星期和节假日)和经济因素(电价)。
1b).特征的较低相关性会限制预测性能的提高，而过多的特征增加了输入数据量的大小，会大大增加网络的复杂性和训练时间。所以使用最大信息系数(MIC)用于分析两个变量之间的线性或非线性相关性，并以与预测负荷的最大信息数大于等于0.3为筛选特征的阈值。如图4所示，标签A表示历史充电负荷；B表示温度；C表示风向；D表示风速；E表示气压；F表示湿度；G表示降雨概率；H表示时间；I表示星期；J表示节假日；K表示电价；L表示预测负荷。
其中Imic为最大信息系数；pa(·)表示联合概率密度；dx和dy表示两个不同的特征变量；ax和by分别表示沿x轴和y轴划分的网格数。
步骤S2具体包括如下步骤：
2a).将筛选后的特征数据送入输入层中，输入层由线性卷积构成，用于将数据转换成多维信息数据；
2b).将多维信息数据送入时空卷积层中，时空卷积层由时间卷积、注意力机制和多图卷积网络组件构成。使用时间卷积捕捉多维信息数据在时间维度上的信息，在此选用空洞因果卷积，其形式为：
其中t表示时间步长；表示输入数据序列，即为经MIC筛选后的特征值；表示滤波器；符号*表示标准卷积运算；膨胀系数ds表示跳跃的间隔；S表示卷积核大小，s为卷积核序号。
2c).将空洞因果卷积与门控机制结合，得到时间卷积组件：
Hg＝σa(ψ1*χ)⊙σb(ψ2*χ)
其中Hg表示时间卷积组件的输出；χ表示输入数据，此处为空洞因果卷积结果；⊙表示逐元素乘法运算符；σa和σb分别表示sigmoid和tangenthyperbolic激活函数；ψ1和ψ2表示模型的参数。
步骤S3具体包括如下步骤：
3a).不同时间步长的充电负荷之间存在相关性，即充电负荷在时间维度上的相关性是动态的，因此引入时间注意机制，以自适应地将不同特征的重要性分配给输入，可以表示为Ee：
其中Ee为时间注意力矩阵；表示第r个时空块的输入，N为充电站个数，Cr-1为特征量个数，Tr-1为时间值，为所有充电站和特征在时间Tr-1的值；和为可学习的参数。
获得时间维度的相关矩阵Ee后，将Ee中的Ei,j送入到softmax函数以计算标准化注意力分布Ei',j：
其中E′i,j为标准化的时间注意力矩阵中的元素，表示时间i和时间j之间的相关性权重；Ei,j为时间注意力矩阵Ee中的元素。
输入数据与标准化的注意力分布相乘，以便为每个时间步长的数据分配重要性值，输出值的计算方法如下：
其中N是充电站数量；Cr-1是特征数量；Tr-1是时间值；为充电负荷经时间注意力处理后的在Tr-1时的数据。
3b).由于不同站点的充电负荷之间的相互依赖性是高度动态的，所以采用空间注意力机制来捕捉充电站之间不同的特性。构成的空间相关矩阵表示为Ss：
其中Ss为空间注意力矩阵； 为可学习的参数。
然后采用softmax函数对空间相关矩阵进行标准化：
其中S′i,j是标准化空间注意力矩阵中的一个元素，表示充电站i和充电站j之间的相关性权重；Si,j为空间注意力矩阵的元素。
3c).将空间维度的注意力矩阵应用于图卷积中的邻接矩阵，以在不同的权重下自动获得最佳性能。
步骤S4具体包括如下步骤：
4a).首先，使用阈值高斯核函数定义由组成的距离矩阵Ad，表示充电站之间几何位置相关性：
其中为距离矩阵元素；di,j表示站点i和j之间的距离；参数和εd表示阈值，用于定义稀疏矩阵以降低时间和空间的复杂度。
4b).距离矩阵构成的物理图不能完全反应充电站之间的相关性。首先找到站点i和j之间充电负荷的欧几里得距离然后使用相似性元素来表示由于相似的充电模式而导致的相似负荷，最后定义由组成的相似性矩阵
其中为站点i和j之间充电负荷的欧几里得距离；xt,i表示充电站i在时间步长t处的充电负荷，T为总时间长度；xt,j表示充电站j在时间步长t处的充电负荷；σS用于控制观测值的衰退率。
4c).由距离矩阵构建生成物理图，由相似性矩阵构建生成虚拟图，将物理图和虚拟图结合在新的融合图中，通过对不同的图中元素的加权求和来生成新的图，得到多图卷积网络组件。具体阐述如下：
L＝D-A为图的信号表示的拉普拉斯矩阵，其中A为邻接矩阵，D为度矩阵；对其进行标准化得到其中IN为单位矩阵；对角矩阵表示为度矩阵，计算为Dii＝∑jAij，其中Aij为A中第i行j列元素，Dii为D中第i行i列元素。
对L改写成特征值分解形式得到L＝UΛU，U表示特征向量矩阵，表示特征值的对角矩阵。
对于给定时间步长t的充电负荷数据序列数据图的傅里叶变换可以表示为其逆变换表示为其中U是基于拉普拉斯定理的正交矩阵。
根据谱卷积运算理论，卷积形式可表示为：
gθ*Gx＝F-1(F(gθ)⊙F(x))＝gθ(L)x＝gθ(UΛUT)x＝Ugθ(Λ)UTx
其中F(·)和F-1(·)表示傅里叶函数及其逆变换；*G表示图卷积运算；gθ表示卷积核；x表示输入充电负荷数据序列；L为图的拉普拉斯矩阵；U表示拉普拉斯定理的特征向量矩阵；Λ表示特征值的对角矩阵。
经典谱卷积运算量大，计算复杂度为O(N2)。而使用切比雪夫多项式函数变换得到切比雪夫图卷积，可以降低计算复杂度，如下式所示：
其中λmax表示L的最大特征值；gθ表示卷积核；*G表示图卷积运算；表示多项式系数；k表示当前邻居的信息更新阶数；K表示邻居信息更新的总阶数；x为充电负荷数据序列；⊙表示逐元素乘法运算符；S′s为标准化空间注意力矩阵。
根据切比雪夫多项式理论，函数可以表示为Tk(x)＝2xTk-1(x)-Tk-2(x)，其中T0(x)＝1，T1(x)＝x。通过调整参数K来控制在节点中心捕获的数据量。
对图卷积层使用线性整流函数(ReLu)σc，得到σc(gθ*Gx)。因此，在时间片Tr-1上获得第r层的图卷积结果为：
其中为输入数据；为充电负荷经时间注意力处理后的在Tr-1时的数据；*G表示图卷积运算；gθ表示卷积核，σc为线性整流函数(ReLu)。进而使得图中的节点可以通过自身及其邻居的数据进行更新。
因此，由距离矩阵Ad可得物理图卷积结果：
其中Ld物理图的拉普拉斯矩阵；为物理图卷积结果。
由相似性矩阵As可得虚拟图卷积结果：
其中Ls虚拟图的拉普拉斯矩阵；为虚拟图卷积结果。
然后将权重参数乘以每个图的卷积并加和得到多图卷积网络组件的输出
W′d,W′s＝σd(Wd,Ws)
其中为多图卷积结果；Wd和Ws表示可学习的参数；W′d和W′s表示物理图和虚拟图的标准化权重参数，反应了不同图的影响程度；σd为softmax函数。
4d).将时间卷积网络组件、注意力机制组件和多图卷积网络组件封装为一个时空模块。将时空模块堆叠构成时空卷积层，以扩展不同时间水平上的感受野和捕捉相关性。对时空模块添加跳过连接，用以提取每个时空模块中的不同特征，从而聚合数据并传输到输出层。并对时空卷积层使用残差连接解决网络退化的问题。
4e).将时空卷积层输出的数据送入输出层中，输出层由两个线性卷积函数和两个ReLU激活函数构成，用于将数据降维至输出维度，得到不同时间的各充电站充电负荷的预测结果。
步骤S5具体包括如下步骤：
5a).取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集。
5b).将训练集放入基于注意力的多图卷积网络中，得到不同时间的各充电站充电负荷的预测结果。构造损失函数，进行基于注意力的时空多图卷积网络模型的训练和参数的优化。
其中loss表示损失函数；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；T表示预测值的总时间步长；N表示充电站的数量。
5c).为了评估基于注意力的时空多图卷积网络模型(STMGCN)的预测性能，选择均方误差(MSE)、平均绝对误差(MAE)、平均百分比误差(MAPE)和均方根误差(RMSE)作为衡量指标，指标值越小表示模型的预测性能越好：
其中MSE为均方误差、MAE为平均绝对误差、MAPE为平均百分比误差、RMSE为均方根误差；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；T表示预测值的总时间步长；N表示充电站的数量；
步骤S6具体包括如下步骤：
6a).建立时空充电负荷预测系统，主要包括：数据采集模块、特征提取模块和负荷预测模块。
数据采集模块用于采集设定时间和区域内各充电站的充电功率、温度、风向、风速、气压、湿度、降雨概率、时间、星期、节假日和电价的数据，存放于数据库中。
特征提取模块用于从采集的数据中筛选网络模型所需要的特征数据，然后进行标准化处理。
负荷预测模块用于构建基于注意力的多图卷积网络模型，负责通过前一天提取的特征数据，预测下一天时空分布的充电负荷。需要两种装置，一种存储介质和一种计算设备。
存储介质用于存储输入特征数据集和基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法。
计算设备用于处理执行存储器中存储的程序，实现基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法。
6b).为了验证基于注意力的时空多图卷积网络模型的优越性，采用了两类模型作为对比，如图5所示，包括传统的时间序列方法(或统计模型)和神经网络方法，用于对结果进行说明。HA为历史均值法，ARIMA为自回归积分滑动平均法，FNN为前馈神经网络，LSTM为长短期记忆网络，GRU为门控循环单元网络，CNN-LSTM为卷积神经网络-长短期记忆网络，STMGCN为基于注意力的时空多图卷积网络。其中，时间序列方法包括HA和ARIMA；神经网络方法包括FNN、LSTM、GRU和CNN-LSTM方法。
不同模型的负荷预测结果对比如下表1所示：
表1各模型指标对比
由表1可见，本发明模型针对时空多维度的充电站负荷预测问题，利用注意力机制和多图卷积神经网络提高了预测精度，在负荷预测方面有着优越的性能。另外，如图5所示的各个模型多步负荷预测结果，本发明可以在长期预测中提取充电负荷的动态时间模式。
针对充电负荷预测的方法，除了在基于注意力的时空多图卷积网络的负荷预测中，运用门控空洞因果卷积捕捉数据在时间维度上的特征外，还可以采用LSTM(长短期记忆网络)、GRU(门控循环单元)、CNN-LSTM(卷积神经网络和长短期记忆网络)来捕捉数据在时间维度上的特征以预测充电负荷序列。名字解释：
(1)Sigmoid激活函数:用于隐藏层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类。
(2)tangent hyperbolic激活函数：双曲正切函数，将一个实数压缩至[-1,1]的范围，这类函数具有平滑和渐进性，并且保持单调。
(3)ReLU激活函数：是分段线性函数，对于大于零的值，这个函数是线性的，这意味着当使用反向传播训练神经网络时，它具有很多线性激活函数的理想特性。然而，它也是一个非线性函数，因为负值总是作为零输出。由于矫正函数在输入域的一半是线性的，另一半是非线性的，所以它被称为分段线性函数。
(4)softmax函数：又称归一化指数函数。它是二分类函数Sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来，它将多个神经元的输出，映射到(0,1)区间内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法，其特征在于，包括以下步骤：
步骤S1，获取某一区域内充电站的历史负荷、气象数据、日期和经济因素的数据集，并对数据的特征进行筛选作为输入数据；
步骤S2，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征；
步骤S3，将时间卷积网络组件的输出经过注意力机制组件——时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息，包括某一区域内充电站的历史负荷、气象数据、日期和经济因素；
步骤S4，构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件；将时间卷积网络组件、注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层；
步骤S5，取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集，将训练集输入所述基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型；
所述步骤S1具体包括如下步骤：
1a).取预定时间段的某一区域充电站充电负荷的历史数据，数据类型包括历史负荷、气象数据、日期和经济因素；
1b).使用最大信息系数(MIC)分析两个变量之间的线性或非线性相关性，并以与预测负荷的最大信息数大于等于0.3为筛选特征的阈值；
其中Imic为最大信息系数；pa(·)表示联合概率密度；dx和dy表示两个不同的特征变量；ax表示沿x轴划分的网格数；by表示沿y轴划分的网格数；
所述步骤S2具体包括如下步骤：
2a).将筛选后的特征数据送入输入层中，输入层由线性卷积构成，用于将数据转换成多维信息数据；
2b).将多维信息数据送入时空卷积层中，时空卷积层由时间卷积、注意力机制和多图卷积网络组件构成；使用时间卷积捕捉多维信息数据在时间维度上的信息，在此选用空洞因果卷积，其形式为：
其中t表示时间步长；表示输入数据序列，即为经MIC筛选后得到的特征值；表示滤波器；符号*表示标准卷积运算；膨胀系数ds表示跳跃的间隔；S表示卷积核大小；s为卷积核序号；
2c).将空洞因果卷积与门控机制结合，得到时间卷积组件：
Hg＝σa(ψ1*χ)⊙σb(ψ2*χ) (3)
其中Hg表示时间卷积组件的输出；χ表示输入数据，为空洞因果卷积结果；⊙表示逐元素乘法运算符；σa表示sigmoid激活函数；σb表示tangent hyperbolic激活函数；ψ1和ψ2表示模型的参数；
所述步骤S3具体包括如下步骤：
3a).不同时间步长的充电负荷之间存在相关性，充电负荷在时间维度上的相关性是动态的，引入时间注意机制以自适应地将不同特征的重要性分配给输入，表示为Ee：
其中Ee为时间注意力矩阵；表示第r个时空块的输入，N为充电站个数；Cr-1为特征量个数，Tr-1为时间值，为所有充电站和特征在时间Tr-1的值；和为可学习的参数；
获得时间维度的相关矩阵Ee后，将Ee中的Ei,j送入到softmax函数以计算标准化注意力分布E'i,j：
其中E'i，j为标准化的时间注意力矩阵中的元素，表示时间i和时间j之间的相关性权重；Ei,j为时间注意力矩阵Ee中的元素；
输入数据与标准化的注意力分布相乘，以便为每个时间步长的数据分配重要性值，输出值的计算方法如下：
其中N是充电站数量，Cr-1是特征数量，Tr-1是时间值；为充电负荷经时间注意力处理后的在Tr-1时的数据；
3b).由于不同站点的充电负荷之间的相互依赖性是高度动态的，采用空间注意力机制来捕捉充电站之间不同的特性，构成的空间相关矩阵，表示为Ss：
其中Ss为空间注意力矩阵；Vs,为可学习的参数；
然后采用softmax函数对空间相关矩阵进行标准化：
其中S'i,j是标准化空间注意力矩阵中的一个元素，表示充电站i和充电站j之间的相关性权重；Si,j为空间注意力矩阵的元素；
3c).将空间维度的注意力矩阵应用于图卷积中的邻接矩阵，以在不同的权重下自动获得最佳性能；
所述步骤S4具体包括如下步骤：
4a).使用阈值高斯核函数定义由组成的距离矩阵Ad，表示充电站之间几何位置相关性：
其中为距离矩阵元素；di,j表示站点i和j之间的距离；参数和εd表示阈值，用于定义稀疏矩阵以降低时间和空间的复杂度；
4b).找到站点i和j之间充电负荷的欧几里得距离使用相似性元素来表示由于相似的充电模式而导致的相似负荷，最后定义由组成的相似性矩阵
其中为站点i和j之间充电负荷的欧几里得距离；xt,i表示充电站i在时间步长t处的充电负荷，T为总时间长度；xt,j表示充电站j在时间步长t处的充电负荷；σS表示用于控制观测值的衰退率；
4c).由距离矩阵构建生成物理图，由相似性矩阵构建生成虚拟图，将物理图和虚拟图结合在新的融合图中，通过对不同的图中元素的加权求和来生成新的图，得到多图卷积网络组件；具体如下：
L＝D-A为图的信号表示的拉普拉斯矩阵，其中A为邻接矩阵，D为度矩阵；对其进行标准化得到其中IN为单位矩阵；对角矩阵表示为度矩阵，计算为Dii＝∑jAij，其中Aij为A中第i行j列元素，Dii为D中第i行i列元素；
对L改写成特征值分解形式得到L＝UΛU，U表示特征向量矩阵，表示特征值的对角矩阵；
对于给定时间步长t的充电负荷数据序列数据图的傅里叶变换可以表示为其逆变换表示为其中U是基于拉普拉斯定理的正交矩阵；
卷积形式可表示为：
gθ*Gx＝F-1(F(gθ)⊙F(x))＝gθ(L)x＝gθ(UΛUT)x＝Ugθ(Λ)UTx (12)
其中F(·)和F-1(·)表示傅里叶函数及其逆变换；*G表示图卷积运算；gθ表示卷积核；x表示输入充电负荷数据序列；L为图的拉普拉斯矩阵；U表示拉普拉斯定理的特征向量矩阵；Λ表示特征值的对角矩阵；
经典谱卷积运算量大，计算复杂度为O(N2)；使用切比雪夫多项式函数变换得到切比雪夫图卷积，可以降低计算复杂度，如下式所示：
其中λmax表示L的最大特征值；gθ表示卷积核；*G表示图卷积运算；表示多项式系数；k表示当前邻居的信息更新阶数；K表示邻居信息更新的总阶数；x为充电负荷数据序列；⊙表示逐元素乘法运算符；S's为标准化空间注意力矩阵；
根据切比雪夫多项式理论，函数表示为Tk(x)＝2xTk-1(x)-Tk-2(x)，其中T0(x)＝1，T1(x)＝x；通过调整参数K控制在节点中心捕获的数据量；
对图卷积层使用线性整流函数(ReLu)σc，得到σc(gθ*Gx)；
在时间片Tr-1上获得第r层的图卷积结果为：
其中为输入数据；为充电负荷经时间注意力处理后的在Tr-1时的数据；*G表示图卷积运算；gθ表示卷积核，σc为线性整流函数(ReLu)；进而使得图中的节点通过自身及其邻居的数据进行更新；
由距离矩阵Ad得物理图卷积结果：
其中Ld为物理图的拉普拉斯矩阵；为物理图卷积结果；
由相似性矩阵As得虚拟图卷积结果：
其中Ls为虚拟图的拉普拉斯矩阵；为虚拟图卷积结果；
将权重参数乘以每个图的卷积并加和得到多图卷积网络组件的输出
其中为多图卷积结果；Wd和Ws表示可学习的参数；W'd和Ws'表示物理图和虚拟图的标准化权重参数；σd为softmax函数；
4d).将时间卷积网络组件、注意力机制组件和多图卷积网络组件封装为一个时空模块；将时空模块堆叠构成时空卷积层，以扩展不同时间水平上的感受野和捕捉相关性；对时空模块添加跳过连接，用以提取每个时空模块中的不同特征，从而聚合数据并传输到输出层；并对时空卷积层使用残差连接解决网络退化的问题；
4e).将时空卷积层输出的数据送入输出层中，输出层由两个线性卷积函数和两个ReLU激活函数构成，用于将数据降维至输出维度，得到不同时间的各充电站充电负荷的预测结果。
2.根据权利要求1所述的一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法，其特征在于，所述步骤S5具体包括如下步骤：
5a).取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集；
5b).将训练集放入基于注意力的多图卷积网络中，得到不同时间的各充电站充电负荷的预测结果；构造损失函数，进行基于注意力的时空多图卷积网络模型的训练和参数的优化；
其中loss表示损失函数；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；T表示预测值的总时间步长；N表示充电站的数量；
5c).评估基于注意力的时空多图卷积网络模型(STMGCN)的预测性能，选择均方误差(MSE)、平均绝对误差(MAE)、平均百分比误差(MAPE)和均方根误差(RMSE)作为衡量指标：
其中MSE为均方误差、MAE为平均绝对误差、MAPE为平均百分比误差、RMSE为均方根误差；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；T表示预测值的总时间步长；N表示充电站的数量。
3.一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测系统，其特征在于，包括：数据采集模块、特征提取模块和负荷预测模块；
所述数据采集模块用于采集设定时间和区域内充电站的历史负荷、气象数据、日期和经济因素的数据，存放于数据库中；
所述特征提取模块用于从采集的数据中筛选网络模型所需要的特征数据，然后进行标准化处理，作为输入数据；
所述负荷预测模块用于构建基于注意力的多图卷积网络模型，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征；将时间卷积网络组件的输出经过注意力机制组件——时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息；构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件；将时间卷积网络组件、注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层；取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集，将训练集输入所述基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型。
CN202310952299.XA 2023-07-31 2023-07-31 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统 Pending CN117273076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310952299.XA CN117273076A (zh) 2023-07-31 2023-07-31 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310952299.XA CN117273076A (zh) 2023-07-31 2023-07-31 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN117273076A true CN117273076A (zh) 2023-12-22

Family

ID=89220363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310952299.XA Pending CN117273076A (zh) 2023-07-31 2023-07-31 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN117273076A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117833243A (zh) * 2024-03-06 2024-04-05 国网山东省电力公司信息通信公司 一种电力短期需求预测方法、系统、设备及介质
CN118316036A (zh) * 2024-06-06 2024-07-09 广东电网有限责任公司佛山供电局 电力系统的负荷预测方法、装置与设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117833243A (zh) * 2024-03-06 2024-04-05 国网山东省电力公司信息通信公司 一种电力短期需求预测方法、系统、设备及介质
CN117833243B (zh) * 2024-03-06 2024-05-24 国网山东省电力公司信息通信公司 一种电力短期需求预测方法、系统、设备及介质
CN118316036A (zh) * 2024-06-06 2024-07-09 广东电网有限责任公司佛山供电局 电力系统的负荷预测方法、装置与设备
CN118316036B (zh) * 2024-06-06 2024-09-06 广东电网有限责任公司佛山供电局 电力系统的负荷预测方法、装置与设备

Similar Documents

Publication Publication Date Title
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN111563611B (zh) 面向图卷积网络的云数据中心可再生能源时空预测方法
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN117273076A (zh) 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统
Li et al. An integrated missing-data tolerant model for probabilistic PV power generation forecasting
Lu et al. A hybrid model based on convolutional neural network and long short-term memory for short-term load forecasting
CN111242292B (zh) 基于深度时空网络的od数据预测方法及系统
CN117498400B (zh) 一种分布式光伏与储能数据的处理方法及系统
CN112464057A (zh) 一种网络数据分类方法、装置、设备及可读存储介质
CN116894384B (zh) 一种多风机风速时空预测方法及系统
Chakraborty et al. Virtual battery parameter identification using transfer learning based stacked autoencoder
CN115496263A (zh) 一种基于时空遗传注意力网络的短期光伏发电预测方法
CN117218425A (zh) 一种用于光伏电站的发电损失分析方法及系统
Masoumi et al. Long-term load forecasting approach using dynamic feed-forward back-propagation artificial neural network
CN118036822A (zh) 电氢一体化能源站的电氢负荷预测方法、装置及存储介质
CN116504075A (zh) 注意力与多元图卷积融合的时空交通速度预测方法及系统
CN114158085B (zh) 一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法
CN116128170A (zh) 一种光伏电站功率超短期预测方法、装置及相关设备
CN114006411B (zh) 一种基于lstm-cnn联合模型的风电功率预测方法和系统
Tuyen et al. A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting
De Jesús et al. Data fusion based hybrid deep neural network method for solar PV power forecasting
Shakya et al. Using Markov Switching Model for solar irradiance forecasting in remote microgrids
CN117458481A (zh) 一种基于XGBoost的电力系统负荷预测方法及装置
CN116404637A (zh) 电力系统短期负荷预测方法和电力系统短期负荷预测装置
CN116432830A (zh) 一种光伏功率预测方法及相关计算机设备、储存介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination