利用智能电表数据预测电动汽车充电事件的分治 Transformer 学习

预测电动汽车（EV）充电事件对于负荷调度和能源管理至关重要，有助于促进无缝的交通电气化和脱碳。虽然先前的研究主要集中在电动汽车充电需求预测上，主要是利用历史充电数据针对公共充电站进行预测，但家庭充电预测同样必不可少。然而，由于无法获取或只能有限访问家庭充电数据，现有的预测方法可能并不适用。为了填补这一研究空白，受非侵入式负荷监测（NILM）概念的启发，我们开发了一种利用历史智能电表数据的家庭充电预测方法。与检测已经发生的电动汽车充电的 NILM 不同，我们的方法提供未来电动汽车充电事件的预测信息，从而增强了其在充电管理中的实用性。具体而言，我们的方法利用基于自注意力机制的 Transformer 模型，采用“分治”策略处理历史电表数据，以有效学习电动汽车充电表示，从而预测充电事件的发生。我们的方法能够提前一小时进行一分钟间隔的预测。实验结果证明了我们方法的有效性，在不同的预测时间跨度上实现了始终高于 96.81% 的高准确率。值得注意的是，我们的方法仅使用智能电表数据就实现了高预测性能，使其成为电网运营商实用且合适的解决方案。