多因素融合驱动的电动汽车充电负荷时空预测

摘要

针对多因素影响下城市电动汽车充电负荷的预测问题，提出了时空图卷积与多通道注意力网络融合模型（STGC-SENet）。该模型构建了周期性时序片段提取模块以获取近期、日、周三尺度周期特征，通过时空图卷积实现时序依赖与空间拓扑关联的同步建模，引入SE通道注意力层对多因素特征通道进行重标定，动态强化关键特征。基于真实数据的实验表明：相比于长短时记忆网络（LSTM）、多视角时空图卷积网络（MSTGCN）、基于注意力的时空图卷积网络（ASTGCN）等基线模型，STGC-SENet的平均绝对误差分别下降3.36、0.56、1.10。在因素敏感性方面，相比于近期、周时序片段，日周期因子的加入对模型预测提升效果最为显著；在历史充电负荷输入下，充电桩占用数与实时电价融入能够获得最优的预测效果，整体平均绝对误差下降至5.08，而充电桩数目和气象因素的融入并未带来较好的预测效果提升。

关键词

电动汽车 / 充电负荷 / 多因素融合 / 时空关联 / 图卷积网络 / 多通道注意力