基于ASC-GCN-GRU的电动汽车充电站负荷预测

尚中雯; 张倩; 赵婵娟; 袁伟博; 丁津津

doi:10.19912/j.0254-0096.tynxb.2024-2361

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于ASC-GCN-GRU的电动汽车充电站负荷预测

更新时间：2026-07-21

- 基于ASC-GCN-GRU的电动汽车充电站负荷预测
- 基于ASC-GCN-GRU的电动汽车充电站负荷预测
- 太阳能学报 2026年47卷第5期页码：489-497
- 作者机构：
- 作者简介：
- 基金信息：
  
  2022年度安徽省能源互联网基金项目（2208085UD01）;2022年度高校与合肥综合性国家科学中心协同创新项目（GXXT-2022-023）
- DOI：10.19912/j.0254-0096.tynxb.2024-2361
  中图分类号： TM715
- 网络首发：2026-06-04，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
尚中雯, 张倩, 赵婵娟, 等. 基于ASC-GCN-GRU的电动汽车充电站负荷预测[J]. 太阳能学报, 2026,47(5):489-497.

尚中雯, 张倩, 赵婵娟, et al. 基于ASC-GCN-GRU的电动汽车充电站负荷预测[J]. 2026, 47(5): 489-497.
尚中雯, 张倩, 赵婵娟, 等. 基于ASC-GCN-GRU的电动汽车充电站负荷预测[J]. 太阳能学报, 2026,47(5):489-497. DOI： 10.19912/j.0254-0096.tynxb.2024-2361.

尚中雯, 张倩, 赵婵娟, et al. 基于ASC-GCN-GRU的电动汽车充电站负荷预测[J]. 2026, 47(5): 489-497. DOI： 10.19912/j.0254-0096.tynxb.2024-2361.

摘要

针对新能源电力系统与电动汽车充电负荷的协同需求

提出一种属性特征增强-改进图卷积神经网络-门控循环神经网络（ASC-GCN-GRU）模型

用于新能源场景下充电站负荷的准确预测。首先针对传统方法预先构建固定邻接矩阵的局限性

引入自适应图生成（DAGG）模块动态挖掘充电站间的时空关联特征;结合节点自适应参数学习（NAPL）模块适配新能源场景下充电模型的多样性。其次

综合考虑温度、降水量等与新能源出力密切相关的环境因素以及日期和兴趣点（POI）等外部因素

结合充电站的时序负荷建立属性特征增强的节点特征。最后

引入交叉验证递归特征消除法（RFECV）筛选出ASC-GCN-GRU负荷预测模型性能最好的最优特征集。算例结果表明

所提出的ASC-GCN-GRU模型与GCN-GRU、门控循环神经网络（GRU）和麻雀算法优化极限学习机（SSA-ELM）相比

具有更好的预测性能。

Abstract

For the collaborative demand of new energy power system and electric vehicle charging load

this paper proposes an attribute-augmented spatiotemporal-graph convolutional network- gated recurrent unit is proposed neural network for charging station forecasting （ASC-GCN-GRU） model to accurately predict charging station load in new energy scenarios. Firstly

in view of the limitation of the traditional method of pre-constructing a fixed adjacency matrix

the data adaptive graph generation （DAGG） module is introduced to dynamically mine the spatio-temporal correlation features between charging stations. node adaptive parameter learning （NAPL） module is used to adapt to the diversity of charging models in new energy scenarios. Secondly

considering the environmental factors closely related to new energy output

such as temperature and precipitation

as well as external factors such as date and point of interest （POI）

the node features with enhanced attribute characteristics are established by combining the temporal load of the charging station. Finally

recursive feature elimination with cross-validation （RFECV） was introduced to select the optimal collection with the best performance of ASC-GCN-GRU load forecasting model. The numerical results show that the proposed ASC-GCN-GRU model has better prediction performance than the GCN-GRU

gated recurrent unit neural network （GRU） and sparrow search algorithm-extreme learning machine （SSA-ELM）.

关键词

Keywords

references

周喆, 黄婧杰, 周任军, 等. 考虑关键气象因素的时间卷积网络充电桩负荷预测[J]. 电力系统及其自动化学报, 2023, 35(5): 28-36.

马苗苗, 任智伟, 刘立成, 等. 考虑新能源消纳的电动汽车有序充电控制策略[J]. 太阳能学报, 2024, 45(8): 94-103.

闫威, 李南, 沈月秀, 等. 基于CNN-GAN与半监督回归的电动汽车充电负荷预测[J]. 浙江电力, 2023, 42(2): 83-89.

刘巍炜, 周羽生, 周文晴, 等. 考虑异方差性的城市电网电动汽车充电负荷预测[J]. 电力系统自动化, 2024, 48(15): 54-63.

李波, 王宁, 吕叶林, 等. 考虑环境因素的电动汽车充电站实时负荷预测模型[J]. 同济大学学报(自然科学版), 2024, 52(6): 962-969.

陈晓华, 吴杰康, 张勋祥, 等. 基于鹈鹕优化算法优化广义回归神经网络的电动汽车充电负荷短期预测[J]. 山东电力技术, 2024, 51(7): 1-9.

胡博, 张鹏飞, 黄恩泽, 等. 基于图WaveNet的电动汽车充电负荷预测[J]. 电力系统自动化, 2022, 46(16): 207-213.

QIN Y, WANG J, REN S, et al.Prediction of EV random charging load based on monte carlo simulation method[C]//2023 3rd International Conference on New Energy and Power Engineering, Hangzhou, China, 2023: 295-298.

刘成. 基于ISSD-GRU模型的台区售电量预测方法[J]. 电工技术, 2024(11): 36-40.

任东方, 马家庆,何志琴, 等. 基于AVMD-CNN-GRU-Attention的超短期风功率预测研究[J]. 太阳能学报, 2024, 45(6): 436-443.

LIU J, HUANG Y, YUAN H,et al.Residential electric vehicle charging load prediction method based on DBO-ELM[C]//2024 IEEE 4th New Energy and Energy Storage System Control Summit Forum, Hohhot, China, 2024:133-137.

朱子意, 孙晓燕, 柳先彪, 等. 基于相似用电单元及图卷积神经网络的电力负荷预测[J]. 电力科学与工程, 2023, 39(7): 9-23.

王印松, 吕率豪. 基于改进时间卷积网络的微电网超短期负荷预测[J]. 太阳能学报, 2024, 45(6): 255-263.

朱力, 李成, 郭龙, 等. 基于GCN-GRU的短期时空负荷预测方法[J]. 能源与环保, 2022, 44(4): 211-215,221.

BAI L, YAO L, LI C,et al.Adaptive graph convolutional recurrent network for traffic forecasting[J]. Advances in neural information processing systems, 2020, 33: 17804-17815.

ZHU J, YANG Z, MOURSHED M,et al.Electric vehicle charging load forecasting:a comparative study of deep learning approaches[J]. Energies, 2019, 12(14): 2692.

陈庆明, 廖鸿飞, 孙颖楷, 等. 基于GWO-GRU的光伏发电功率预测[J]. 太阳能学报, 2024, 45(7): 438-444.

吴军英, 路欣, 刘宏, 等. 基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测[J]. 中国电力, 2024, 57(6): 131-140.

刘栋, 魏霞, 王维庆, 等. 基于VMD-WPE和SSA-ELM的短期风电功率预测研究[J]. 太阳能学报, 2022, 43(12): 360-367.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

考虑站间交互影响的高速公路充电站布局规划

考虑配电网净负荷时空分布特性的储能优化配置

考虑新能源功率波动的静态电压稳定边界直接算法

考虑混合型新能源场站接入的送端电网频率特性分析

适应新能源消纳的水电站群中长期调度优化