基于大语言模型的电动汽车充电负荷时空预测
信号处理
2025-06-05 v1
摘要
电动汽车的快速增长及随之而来的充电需求增加，对负荷电网调度和电动汽车充电站运营构成了重大挑战。有效利用电动汽车充电站之间的时空相关性以提高预测精度是复杂的。为应对这些挑战，本文提出了基于 LLM 的电动汽车充电负荷预测方法 EV-LLM。EV-LLM 融合了图卷积网络（GCN）在时空特征提取方面的优势与微调生成式 LLM 的泛化能力。此外，EV-LLM 能够在多模态和多维数据集上进行有效的数据挖掘和特征提取，融合历史充电数据、天气信息和相关文本描述以提高多个充电站的预测精度。我们使用加州 10 个充电站的数据验证了 EV-LLM 的有效性，证明了其优于其他传统深度学习方法，并具有优化负荷电网调度和支持车网互动的潜力。
引用
@article{arxiv.2506.03728,
title = {Spatiotemporal Prediction of Electric Vehicle Charging Load Based on Large Language Models},
author = {Hang Fan and Mingxuan Li and Jingshi Cui and Zuhan Zhang and Wencai Run and Dunnan Liu},
journal= {arXiv preprint arXiv:2506.03728},
year = {2025}
}