电动汽车充电负荷场景化分析与超短期预测方法

赵伟博; 范旭东; 孙胜博; 李闯; 周颖; 李德智; 马笑天; 郝颖

doi:10.16543/j.2095-641x.electric.power.ict.2025.02.04

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

电动汽车充电负荷场景化分析与超短期预测方法

更新时间：2025-12-08

- 电动汽车充电负荷场景化分析与超短期预测方法
- Issue 2, Pages: 28-37(2025)
- 作者机构：
  
  1. 需求侧多能互补优化与供需互动技术北京重点实验室(中国电力科学研究院有限公司)
  2. 国家电网有限公司
  3. 国网河北省电力有限公司营销服务中心
  4. 北京信息科技大学自动化学院
- 作者简介：
- 基金信息：
- DOI：10.16543/j.2095-641x.electric.power.ict.2025.02.04
  CLC： TM715;U491.8
- Published：2025
- 稿件说明：
移动端阅览
赵伟博, 范旭东, 孙胜博, et al. 电动汽车充电负荷场景化分析与超短期预测方法[J]. 2025, (2): 28-37.
DOI：

赵伟博, 范旭东, 孙胜博, et al. 电动汽车充电负荷场景化分析与超短期预测方法[J]. 2025, (2): 28-37. DOI： 10.16543/j.2095-641x.electric.power.ict.2025.02.04.

摘要

为更好地挖掘电动汽车充电负荷的时空特征，提高充电负荷预测精度，文章结合聚类算法和深度学习算法，提出一种多场景下电动汽车负荷超短期预测方法。首先，根据居民出行习惯，通过聚类算法分析电动汽车充电数据的内在分布特性，并结合电动汽车用户行为构建不同充电场景。随后，对影响负荷的多维因素进行相关性分析，得出预测模型的最佳输入组合。为了充分捕捉这些输入特征在时间上的关联关系，基于长短期记忆(long short-term memory

LSTM)对Transformer算法进行改进，并利用其为每个场景建立充电负荷预测模型。最后，对各场景的预测结果进行整合，得到充电负荷的整体预测结果。通过对石家庄市电动汽车实际充电数据的实验，验证文章方法的有效性，并在不同时间尺度和输入组合下证实所提方法的优越性。

Abstract

关键词

Keywords

references

Koohfar Sahar,Woldemariam Wubeshet,Kumar Amit.Performance Comparison of Deep Learning Approaches in Predicting EV Charging Demand[J].Sustainability,2023.

Aduama Prince,Zhang Zhibo,AlSumaiti Ameena S..Multi-Feature Data Fusion-Based Load Forecasting of Electric Vehicle Charging Stations Using a Deep Learning Model[J].Energies,2023.

Koohfar Sahar,Woldemariam Wubeshet,Kumar Amit.Prediction of Electric Vehicles Charging Demand: A Transformer-Based Deep Learning Approach[J].Sustainability,2023.

Xu Yucheng,Jiang Xuchu.Short-term power load forecasting based on BiGRU-Attention-SENet model[J].Energy Sources, Part A: Recovery, Utilization, and Environmental Effects,2022.

Kim Yunsun,Kim Sahm.Forecasting Charging Demand of Electric Vehicles Using Time-Series Models[J].Energies,2021.

Jie Yan,Jing Zhang,Yongqian Liu,Guoliang Lv,Shuang Han,Ian Emmanuel Gonzalez Alfonzo.EV charging load simulation and forecasting considering traffic jam and weather to support the integration of renewables and EVs[J].Renewable Energy,2020.

Hongmei Kong,Huibin Sui,Jingxuan Tang,Peng Zhang.Research Status and Difficulties of Ultra-short-term Prediction of Photovoltaic Power[J].IOP Conference Series: Earth and Environmental Science,2019.

M. Hadi Amini,Amin Kargarian,Orkun Karabasoglu.ARIMA-based decoupled time series forecasting of electric vehicle charging demand for stochastic power system operation[J].Electric Power Systems Research,2016.

Mostafa Majidpour,Charlie Qiu,Peter Chu,Hemanshu R. Pota,Rajit Gadh.Forecasting the EV charging load based on customer profile or station measurement?[J].Applied Energy,2016.

李威武,白永利,罗世刚,许青.结合改进聚类算法与PSO-GA-BP神经网络算法的日最大负荷预测方法[J].中南民族大学学报(自然科学版),2023(06).

陈果,王秀丽,原晟淇,帅轩越,周前.适用于大规模充电场站的深度强化学习有序充电策略[J].电力系统自动化,2023(02).

蔡黎,葛棚丹,代妮娜,徐青山,王坤,张一,贺超.电动汽车入网负荷预测及其与电网互动研究进展综述[J].智慧电力,2022(07).

王华彪,李小勇.基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究[J].电网与清洁能源,2022(06).

程杉,赵子凯,陈诺,于子豪.计及耦合因素的电动汽车充电负荷时空分布预测[J].电力工程技术,2022(03).

胡博,张鹏飞,黄恩泽,刘璟璐,徐健,邢作霞.基于图WaveNet的电动汽车充电负荷预测[J].电力系统自动化,2022(16).

周润,向月,王杨,夏世威,刘友波,刘俊勇.基于智能电表集总数据的家庭电动汽车充电行为非侵入式辨识与负荷预测[J].电网技术,2022(05).

郭戈,徐涛,韩英华,赵强.电动汽车时代的电网-交通网协同优化综述[J].控制与决策,2021(09).

王睿,高欣,李军良,徐建航,艾冠群,井潇.基于聚类分析的电动汽车充电负荷预测方法[J].电力系统保护与控制,2020(16).

龙雪梅,杨军,吴赋章,詹祥澎,林洋佳,徐箭.考虑路网-电网交互和用户心理的电动汽车充电负荷预测[J].电力系统自动化,2020(14).

李滨,陆明珍.考虑实时气象耦合作用的地区电网短期负荷预测建模[J].电力系统自动化,2020(17).

王毅,谷亿,丁壮,李松浓,万毅,胡晓锐.基于模糊熵和集成学习的电动汽车充电需求预测[J].电力系统自动化,2020(03).

于海东,张焰,潘爱强.电动私家车充电负荷中长期推演模型[J].电力系统自动化,2019(21).

陈丽丹,张尧,Antonio FIGUEIREDO.电动汽车充放电负荷预测研究综述[J].电力系统自动化,2019(10).

王浩林,张勇军,毛海鹏.基于时刻充电概率的电动汽车充电负荷预测方法[J].电力自动化设备,2019(03).

魏大钧,张承慧,孙波,崔纳新.基于分时电价的电动汽车充放电多目标优化调度[J].电网技术,2014(11).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于LSTM的居民负荷预测及其可调节潜力分析

基于改进CNN的新型电力系统APT攻击检测

融合空间信息的多尺度残差卷积开关柜异物检测算法研究

基于注意力机制的混合神经网络电力设备缺陷文本挖掘方法

混合聚类分析算法在发电设备故障模式识别中的应用

Related Author

李永军

宫飞翔

张海静

阮文骏

陈宋宋

田世明

徐玉婷

支妍力

Related Institution

国网山东省电力公司

国网江苏省电力有限公司

需求侧多能互补优化与供需互动技术北京市重点实验室(中国电力科学研究院有限公司)

国网江西省电力有限公司吉安供电分公司

国网江西省电力有限公司

AI问答

⁰