基于多特征数据融合与深度学习模型的电动汽车充电站负荷预测
系统与控制
2023-02-01 v1 系统与控制
摘要
我们提出一种基于多特征数据融合的预测技术，以提升电动汽车（EV）充电站负荷预测的深度学习模型精度。所提方法利用基于历史天气（风速、温度、湿度）数据观测的多特征输入作为长短期记忆（LSTM）模型的多个输入，以实现对充电负荷的稳健预测。天气条件是EV驾驶员行为及其驾驶模式的重要影响因素。这些行为及驾驶模式影响了驾驶员的充电模式。与常规LSTM模型做出的单一预测（步长、模型或变量）不同，我们根据不同的多特征输入做出了三种EV充电负荷（能量需求）预测。采用数据融合将不同的充电负荷预测结果进行组合与优化。最终实现模型的性能通过预测的平均绝对误差进行评估。所实现模型的预测误差为3.29%。该预测误差低于LSTM模型的初始预测结果。数值结果表明EV负荷预测性能有所改善，说明所提模型可用于优化和改进电动汽车充电站的EV负荷预测，以满足EV的能源需求。
引用
@article{arxiv.2301.13774,
title = {Multi Feature Data Fusion-Based Load Forecasting of Electric Vehicle Charging Stations Using a Deep Learning Model},
author = {Prince Aduama and Zhibo Zhang and Ameena S. Al Sumaiti},
journal= {arXiv preprint arXiv:2301.13774},
year = {2023}
}