基于参数优化和注意力机制的电动汽车充电负荷预测

摘要

在规模化电动汽车(electric vehicle, EV)充电负荷接入配电网的背景下，EV充电行为的时空不确定性导致传统预测方法难以准确刻画其动态特性，直接影响配电网运行优化与充电调度决策的有效性。针对EV充电负荷时序依赖性强、影响因素复杂等问题，提出了一种基于参数优化和注意力机制(attention mechanism, AM)的EV充电负荷预测方法。首先，应用皮尔逊偏相关系数对输入数据进行特征筛选(feature screening, FS),并引入AM改进CNN网络，构建CNNAM网络；其次，提出EV充电负荷CNNAM-BiLSTM组合预测模型，其利用多层卷积层、AM和BiLSTM双向结构提升了对充电负荷特征数据和时间序列的挖掘力度；再次，利用麻雀搜索算法(sparrow search algorithm, SSA)自适应优化预测模型中的超参数；最后，基于武汉市实际充电站负荷数据，将所提SSA-FS-CNNAM-BiLSTM组合预测模型与传统深度学习预测模型、组合预测模型进行对比。结果表明：所提预测算法能取得更优的预测效果并在复杂动态环境中具备更强的适应性。

关键词

电动汽车 / 负荷预测 / 深度学习 / 组合预测 / 特征筛选 / 参数优化