一种物理信息驱动且基于注意力图学习的区域电动汽车充电需求预测方法
机器学习
2024-10-28 v2
摘要
随着电动汽车 (EV) 的普及，优化 EV 充电空间的使用可显著缓解智能交通系统日益增长的负荷。作为实现此类优化的基础，需要一种用于城市区域 EV 充电需求的时空方法。尽管已有若干基于数据驱动深度学习方法的解决方案被提出，但可以发现这些以性能为导向的方法可能存在误读，无法正确处理充电需求与价格之间的反向关系。为应对训练准确且可解释预测模型的新兴挑战，本文提出一种新颖方法，其集成了图与时间注意力机制以进行特征提取，并在模型预训练步骤中使用物理信息元学习以实现知识迁移。在中国深圳 18,013 个 EV 充电桩数据集上的评估结果表明，所提方法（命名为 PAG）能够达到最先进的预测性能，并具备理解由价格波动引起的充电需求自适应变化的能力。
引用
@article{arxiv.2309.05259,
title = {A physics-informed and attention-based graph learning approach for regional electric vehicle charging demand prediction},
author = {Haohao Qu and Haoxuan Kuang and Jun Li and Linlin You},
journal= {arXiv preprint arXiv:2309.05259},
year = {2024}
}
备注
Preprint. This work has been submitted to the IEEE Transactions on ITS for possible publication