基于 Mixer-Informer 的两阶段迁移学习用于新建电动汽车充电站的长序列负荷预测
系统与控制
2025-05-13 v1 系统与控制
摘要
电动汽车（EV）的快速普及需求对充电站负荷预测提出了精准化的挑战，这种挑战源于长序列时序依赖性和新设施数据有限的限制。本文提出了 MIK-TST，一种 novel 的两阶段迁移学习框架，集成了 Mixer、Informer 和 Kolmogorov-Arnold 网络（KAN）。Mixer 融合多源特征，Informer 通过 ProbSparse 注意力捕获长程依赖，KAN 通过可学习激活函数增强非线性建模。该方法在大规模数据上进行预训练，在目标数据有限时进行微调，MIK-TST 在美国博尔顿 26 个充电站的数据集上实现了 MAE 和 MSE 分别降低 4% 和 8%，优于基线方法。该可扩展解决方案提升了智能电网效率，支持可持续 EV 基础设施的扩展。
引用
@article{arxiv.2505.06657,
title = {Mixer-Informer-Based Two-Stage Transfer Learning for Long-Sequence Load Forecasting in Newly Constructed Electric Vehicle Charging Stations},
author = {Zhenhua Zhou and Bozhen Jiang and Qin Wang},
journal= {arXiv preprint arXiv:2505.06657},
year = {2025}
}
备注
10 Pages