电动车充电站的多尺度时空增强短期负荷预测
系统与控制
2024-06-14 v1 人工智能
机器学习
系统与控制
摘要
电动车 (EV) 的快速扩张使得对电动车充电站 (EVCS) 的负荷预测日益关键. 实现对 EVCS 精确负荷预测的主要挑战在于: 充电行为的非线性特性、不同充电站之间的空间相互作用,以及使用模式中复杂的时间变化. 为此,我们提出了一种用于有效 EVCS 负荷预测的多尺度时空增强模型 (MSTEM). MSTEM 集成了多尺度图神经网络,以捕捉跨不同时间尺度的层次化非线性时序依赖性. 此外,它还融合了循环学习组件和残差融合机制,增强了其捕捉充电模式空间和时序变化的能力. 通过使用三个评估指标对比分析六个基准模型,验证了所提出 MSTEM 的有效性. 案例研究使用来自英国普尔斯 (Perth, UK) 的真实世界数据集进行,涵盖快速充电和慢速充电负荷. 实验结果表明,MSTEM 在 EVCS 的短期连续负荷预测方面具有优势.
引用
@article{arxiv.2405.19053,
title = {Multiscale Spatio-Temporal Enhanced Short-term Load Forecasting of Electric Vehicle Charging Stations},
author = {Zongbao Zhang and Jiao Hao and Wenmeng Zhao and Yan Liu and Yaohui Huang and Xinhang Luo},
journal= {arXiv preprint arXiv:2405.19053},
year = {2024}
}
备注
5 pages, 1 figure, AEEES 2024