【技术实现步骤摘要】
本专利技术涉及电力系统负荷预测领域，具体而言涉及一种基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法、系统与介质。
技术介绍
1、随着电动汽车占比不断上升和电动汽车充电基础设施的快速发展，准确预测电动汽车充电负荷成为电力系统规划和运行的重要任务。电动汽车充电负荷的准确预测具有重要的经济和技术意义，不仅有助于电网运营商优化能源管理，提高电网的稳定性和可靠性，还可以为用户提供更高效的充电服务。
2、然而，电动汽车充电负荷具有复杂的时空特性，传统的预测方法难以有效捕捉这些特性。电动汽车充电负荷受多个因素影响，包括但不限于时间、地理位置、天气条件和用户行为模式。传统方法往往无法充分利用这些多维度的信息，导致预测精度不高。
技术实现思路
1、本专利技术目的在于提供一种基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，利用多头自注意力机制来捕捉时间序列数据中的重要信息，通过引入图神经网络来建模充电站之间的复杂关系，并结合长短期记忆网络处理时间依赖性，从而实现对电动汽车充电负荷的精确预测。
2、根据本专利技术目的的改进的第一方面，提出一种基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，包括以下步骤：
3、基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：
4、步骤1、采集同一城市不同充电站的历史充电负荷数据和时间数据，并对所采集的历史数据预处理；
5、步骤2、对预处理后的数据进
6、步骤3、将所述时间序列数据和独热编码分别输入线性层映射到高维空间，对时间序列数据使用位置编码嵌入位置信息，并经过多头注意力机制捕捉输入序列中不同位置之间的关系，之后与独热编码做交叉注意力，并将结果通过层归一化后获得特征矩阵x；
7、步骤4、以特征矩阵x为输入特征，利用自适应图注意力网络得到表示各充电站充电负荷空间相关性的自适应邻接矩阵at；
8、步骤5、以特征矩阵x和自适应邻接矩阵at为输入特征，利用长短期记忆神经网络进行模型训练，构建基于时空图注意力长短期记忆网络的电动汽车站充电负荷的负荷预测模型；
9、步骤6、基于所述电动汽车站充电负荷的负荷预测模型，对各电动汽车站充电负荷分别进行预测，输出得到对应时刻的电动汽车充电负荷估算结果。
10、优选地，以时间、日期数据、历史充电负荷和历史充电事件数输入特征向量ptime、pload和pevent的构建方式为：
11、
12、
13、
14、其中，ptime为(k+1)*71维矩阵，0和1表示是否具有当前属性，71维由四分之一小时数、小时、日期、月份组成；lt-k表示距t时刻前k个时刻点的充电负荷值；et-k表示距t时刻前k个时刻点的充电事件数。
15、优选地，模型训练的输入特征向量，即时间序列数据p1的构建方式为：
16、p1＝[pload pevent]
17、其中，p1为由k+1个时间步的充电负荷和充电事件数拼接成的特征向量。
18、优选地，预测误差采用平均平方误差mse(mean squared error)，表达式如下：
19、
20、式中表示充电负荷预测输出值，yi表示历史数据中对应时刻的真实总负荷值。
21、优选地，用于表达各电动汽车充电站充电负荷相关性的自适应邻接矩阵at，表达式如下：
22、at＝sigmoid(fc1(relu(fc2(x))))t·fc1(relu(fc2(x)))；
23、式中，sigmoid、relu表示激活函数，fc1、fc2表示全连接层；
24、根据本专利技术目的的改进的第二方面，还提出一种基于时空图注意力长短期记忆网络的电动汽车充电负荷预测系统，包括：
25、用于采集同一城市不同充电站的历史充电负荷数据和时间数据，并对所采集的历史数据预处理的数据获取模块；
26、用于对预处理后的数据进行特征提取，生成以历史充电负荷和历史充电事件数组成的时间序列数据，以及由时间、日期数据生成的独热编码的
27、用于将所述时间序列数据和独热编码分别输入线性层映射到高维空间，对时间序列数据使用位置编码嵌入位置信息，并经过多头注意力机制捕捉输入序列中不同位置之间的关系，之后与独热编码做交叉注意力，并将结果通过层归一化后获得特征矩阵x的特征矩阵提取模块；
28、用于以特征矩阵x为输入特征，利用自适应图注意力网络得到表示各充电站充电负荷空间相关性的自适应邻接矩阵at的自适应邻接矩阵提取模块；
29、用于以特征矩阵x和自适应邻接矩阵at为输入特征，利用长短期记忆神经网络进行模型训练，构建基于时空图注意力长短期记忆网络的电动汽车站充电负荷的负荷预测模型的负荷预测模型构建模块；以及
30、用于基于所述电动汽车站充电负荷的负荷预测模型，对各电动汽车站充电负荷分别进行预测，输出得到对应时刻的电动汽车充电负荷估算结果的充电负荷预测模块。
31、根据本专利技术目的的改进的第三方面，还提出一种计算机系统，包括：
32、一个或多个处理器；
33、存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行前述基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法的过程。
34、根据本专利技术目的的改进的第四方面，还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时执行前述基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法的过程。
35、通过以上技术方案的实施可见，本专利技术提出的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，构建了包含历史充电负荷、历史充电事件数与时间、日期数据的时空图注意力长短期记忆网络模型。利用注意力机制学习电动汽车充电负荷随时间变化的规律，利用图注意力网络学习各电动汽车充电站之间的空间相关性，克服了传统方法无法学习到各电动汽车充电站之间相关性的问题，提高了预测精确度，可有效预测多个电动汽车充电站的充电负荷，为地区的发电量控制和电力调配提供科学的决策依据。
36、应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的专利技术主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的专利技术主题的一部分。
37、结合附图从下面的描述中可以更加全面地理解本专利技术教导的前述和其他方面、实施例和特征。本专利技术的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本专利技术教导的具体实施方式的实践本文档来自技高网...
【技术保护点】
1.一种基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，所述步骤1中，对所采集的历史数据预处理，包括：
3.根据权利要求1所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，所述步骤2中，以时间、日期数据、历史充电负荷和历史充电事件数据进行特征提取，生成的输入特征向量ptime、pload和pevent，如下：
4.根据权利要求1所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，所述步骤2中，生成以历史充电负荷和历史充电事件数组成的时间序列数据p1，表达为：
5.根据权利要求1-4中任意一项所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，在模型训练过程中，使用预测误差作为模型收敛条件；预测误差采用平均平方误差MSE，表达如下：
6.根据权利要求1所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征
7.一种基于时空图注意力长短期记忆网络的电动汽车充电负荷预测系统，其特征在于，包括：
8.一种计算机系统，其特征在于，包括：
9.一种存储软件的计算机可读取介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时执行如所述权利要求1-6中任意一项所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法的过程。
...【技术特征摘要】
1.一种基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，所述步骤1中，对所采集的历史数据预处理，包括：
3.根据权利要求1所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，所述步骤2中，以时间、日期数据、历史充电负荷和历史充电事件数据进行特征提取，生成的输入特征向量ptime、pload和pevent，如下：
4.根据权利要求1所述的基于时空图注意力长短期记忆网络的电动汽车充电负荷预测方法，其特征在于，所述步骤2中，生成以历史充电负荷和历史充电事件数组成的时间序列数据p1，表达为：
5.根据权利要求1-4中任意一项所述的基于时空图注意力长短...
【专利技术属性】
技术研发人员：秦川，郑楷炀，鞠平，武思远，黄远平，申屠磊璇，
申请(专利权)人：河海大学，
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。