【技术实现步骤摘要】
一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统
[0001]本专利技术涉及电动汽车
，特别涉及一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统
。
技术介绍
[0002]随着化石能源的枯竭和环境污染的日益严重，电动汽车作为一种高效绿色的新型交通工具得到了大力推广，相关的配套充电设施数量也增长迅速
。
在大量电动汽车充电站的部署进程中，充电负荷预测可以帮助充电站优化资源调度和规划，合理分配电力资源，确保充电站的经济运行，对充电站的经济运行和电力系统的稳定运行十分关键
。
[0003]在建有充电站的地区，充电站将电力网络与运输网络连接起来，此时充电负荷预测不仅需要考虑充电站时间维度的历史负荷，还需要考虑邻近区域充电站的空间维度的地理位置信息
。
现有的一种图神经网络的预测方法，将图卷积层与长短时记忆层级联预测时空充电负荷，但是该模型采用的是基于固定位置拓扑的连接图，依赖相互连接关系无法充分提取相关性，而且该模型在训练阶段变化的时空特征和重要信息没有被注意到，对负荷预测的精度有着不容忽视的影响
。
技术实现思路
[0004]针对现有技术中存在的不足，为提高各充电站充电负荷的预测精度，本专利技术提出了一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统，考虑了历史负荷
、
天气信息
、
节假日信息和电价信息等影响因素，充分挖掘了充电负荷的时空相关性，捕捉时空...
【技术保护点】
【技术特征摘要】
1.
一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法，其特征在于，包括以下步骤：步骤
S1
，获取某一区域内充电站的历史负荷
、
气象数据
、
日期和经济因素的数据集，并对数据的特征进行筛选作为输入数据；步骤
S2
，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征；步骤
S3
，将时间卷积网络组件的输出经过注意力机制组件
——
时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息，包括某一区域内充电站的历史负荷
、
气象数据
、
日期和经济因素；步骤
S4
，构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件；将时间卷积网络组件
、
注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层；步骤
S5
，取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集
、
验证集和测试集，将训练集输入所述基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型；所述步骤
S1
具体包括如下步骤：
1a).
取预定时间段的某一区域充电站充电负荷的历史数据，数据类型包括历史负荷
、
气象数据
、
日期和经济因素；
1b).
使用最大信息系数
(MIC)
分析两个变量之间的线性或非线性相关性，并以与预测负荷的最大信息数大于等于
0.3
为筛选特征的阈值；其中
I
mic
为最大信息系数；
p
a
(
·
)
表示联合概率密度；
d
x
和
d
y
表示两个不同的特征变量；
a
x
表示沿
x
轴划分的网格数；
b
y
表示沿
y
轴划分的网格数；所述步骤
S2
具体包括如下步骤：
2a).
将筛选后的特征数据送入输入层中，输入层由线性卷积构成，用于将数据转换成多维信息数据；
2b).
将多维信息数据送入时空卷积层中，时空卷积层由时间卷积
、
注意力机制和多图卷积网络组件构成；使用时间卷积捕捉多维信息数据在时间维度上的信息，在此选用空洞因果卷积，其形式为：其中
t
表示时间步长；表示输入数据序列，即为经
MIC
筛选后得到的特征值；表示滤波器；符号
*
表示标准卷积运算；膨胀系数
d
s
表示跳跃的间隔；
S
表示卷积核大小；
s
为卷积核序号；
2c).
将空洞因果卷积与门控机制结合，得到时间卷积组件：
H
g
＝
σ
a
(
ψ1*
χ
)
⊙
σ
b
(
ψ2*
χ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
其中
H
g
表示时间卷积组件的输出；
χ
表示输入数据，为空洞因果卷积结果；
⊙
表示逐元素乘法运算符；
σ
a
表示
sigmoid
激活函数；
σ
b
表示
tangent hyperbolic
激活函数；
ψ1和
ψ2表示模型的参数；所述步骤
S3
具体包括如下步骤：
3a).
不同时间步长的充电负荷之间存在相关性，充电负荷在时间维度上的相关性是动态的，引入时间注意机制以自适应地将不同特征的重要性分配给输入，表示为
E
e
：其中
E
e
为时间注意力矩阵；表示第
r
个时空块的输入，
N
为充电站个数；
C
r
‑1为特征量个数，
T
r
‑1为时间值，为所有充电站和特征在时间
T
r
‑1的值；和为可学习的参数；获得时间维度的相关矩阵
E
e
后，将
E
e
中的
E
i,j
送入到
softmax
函数以计算标准化注意力分布
E'
i,j
：其中
E'
i
，
j
为标准化的时间注意力矩阵中的元素，表示时间
i
和时间
j
之间的相关性权重；
E
i,j
为时间注意力矩阵
E
e
中的元素；输入数据与标准化的注意力分布相乘，以便为每个时间步长的数据分配重要性值，输出值的计算方法如下：其中
N
是充电站数量，
C
r
‑1是特征数量，
T
r
‑1是时间值；为充电负荷经时间注意力处理后的在
T
r
‑1时的数据；
3b).
由于不同站点的充电负荷之间的相互依赖性是高度动态的，采用空间注意力机制来捕捉充电站之间不同的特性，构成的空间相关矩阵，表示为
S
s
：其中
S
s
为空间注意力矩阵；
V
s
,
为可学习的参数；然后采用
softmax
函数对空间相关矩阵进行标准化：其中
S'
i,j
是标准化空间注意力矩阵中的一个元素，表示充电站
i
和充电站
j
之间的相关性权重；
S
i,j
为空间注意力矩阵的元素；
3c).
将空间维度的注意力矩阵应用于图卷积中的邻接矩阵，以在不同的权重下自动获得最佳性能；所述步骤
S4
具体包括如下步骤：
4a).
使用阈值高斯核函数定义由组成的距离矩阵
A
d
，表示充电站之间几何位置相关性：其中为距离矩阵元素；
d
i,j
表示站点
i
和
j
之间的距离；参数和
ε
d
表示阈值，用于定义稀疏矩阵以降低时间和空间的复杂度；
4b).
找到站点
i
和
j
之间充电负荷的欧几里得距离使用相似性元素来表示由于相似的充电模式而导致的相似负荷，最后定义由组成的相似性矩阵组成的相似性矩阵组成的相似性矩阵其中为站点
i
和
j
之间充电负荷的欧几里得距离；
x
t,i
表示充电站
i
在时间步长
t
处的充电负荷，
T
为总时间长度；
x
t,j
表示充电站
j
在时间步长
t
处的充电负荷；
σ
S
表示用于控制观测值的衰退率；
4c).
由距离矩阵构建生成物理图，由相似性矩阵构建生成虚拟图，将物理图和虚拟图结合在新的融合图中，通过对不同的图中元素的加权求和来生成新的图，得到多图卷积网络组件；具体如下：
L
＝
D
‑
A
为图的信号表示的拉普拉斯矩阵，其中
A
为邻接矩阵，
D
为度矩阵；对其进行标准化得到其中
I
N
为单位矩阵；对角矩阵表示为度矩阵，计算为
D
ii
＝
∑
j
A
【专利技术属性】
技术研发人员：石锦凯，张维戈，王志豪，鲍谚，范森永，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。