Electric Vehicle Charging Load Prediction Based on Dynamic Adaptive Graph Neural Network

ZHANG Yanyu; ZHANG Zhiming; LIU Chunyang; ZHANG Xibeng; ZHOU Yi

doi:10.7500/AEPS20230611001

您当前的位置：

首页 >

文章列表页 >

Electric Vehicle Charging Load Prediction Based on Dynamic Adaptive Graph Neural Network

Special Topic on Key Technologies for Intelligent and Friendly Interaction Between Large-scale Electric Vehicles and Power Grid | 更新时间：2025-06-16

- Electric Vehicle Charging Load Prediction Based on Dynamic Adaptive Graph Neural Network
- Automation of Electric Power Systems Vol. 48, Issue 7, Pages: 86-93(2024)
- 作者机构：
  
  1.河南大学人工智能学院，河南省郑州市 450046
  2.河南省车联网协同技术国际联合实验室，河南省郑州市 450046
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(62176088);Program for Science & Technology Development of Henan Province(232102211034);Introduction Project of National Postdoc Exchange Plan(YJ20220262)
- DOI：10.7500/AEPS20230611001
  CLC：
- Received：11 June 2023，
  
  Revised：2023-12-04，
  
  Published Online：23 February 2024，
  
  Published：10 April 2024
- 稿件说明：
移动端阅览
张延宇,张智铭,刘春阳等.基于动态自适应图神经网络的电动汽车充电负荷预测[J].电力系统自动化,2024,48(7):86-93.

ZHANG Yanyu,ZHANG Zhiming,LIU Chunyang,et al.Electric Vehicle Charging Load Prediction Based on Dynamic Adaptive Graph Neural Network[J].Automation of Electric Power Systems,2024,48(7):86-93.
张延宇,张智铭,刘春阳等.基于动态自适应图神经网络的电动汽车充电负荷预测[J].电力系统自动化,2024,48(7):86-93. DOI： 10.7500/AEPS20230611001.

ZHANG Yanyu,ZHANG Zhiming,LIU Chunyang,et al.Electric Vehicle Charging Load Prediction Based on Dynamic Adaptive Graph Neural Network[J].Automation of Electric Power Systems,2024,48(7):86-93. DOI： 10.7500/AEPS20230611001.

摘要

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先，构建了一个充电负荷信息时空关联特征提取层，将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式，以捕获充电站负荷的波动性；然后，将提取的特征输入到时空卷积层，捕获时间和空间之间的耦合关系；最后，通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例，与现有方法相比，所提算法在4种波动情况下的平均预测误差大幅降低。

Abstract

The uncertainty and long-term prediction of the load fluctuation of electric vehicle (EV) charging stations pose significant challenges to accurately predict the charging load. An EV charging load prediction based on dynamic adaptive graph neural network is proposed. Firstly

a spatiotemporal correlation feature extraction layer for charging load information is constructed. By combining multi-head attention mechanism with adaptive relevance graph

a comprehensive feature representation with spatiotemporal correlation is generated to capture the load fluctuation of EV charging station. Then

the extracted features are input into a spatiotemporal convolutional layer to capture the coupling relationship between time and space. The ability of the model to couple long time series is enhanced by Chebyshev polynomial graph convolution and multi-scale temporal convolution. The effectiveness of the algorithm has been verified using two real datasets. Taking the Palo Alto dataset as an example

compared with existing methods

the average prediction error of this algorithm under 4 volatile conditions is reduced sharply.

关键词

Keywords

references

陈丽丹，张尧， Antonio FIGUEIREDO . 电动汽车充放电负荷预测研究综述［J］. 电力系统自动化， 2019 ， 43 （ 10 ）： 177 - 191 .

CHEN Lidan ， ZHANG Yao ， FIGUEIREDO A . Overview of charging and discharging load forcasting for electric vehicles ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 10 ）： 177 - 191 .

房宇轩，胡俊杰，马文帅 . 计及用户意愿的电动汽车聚合商主从博弈优化调度策略［J/OL］. 电工技术学报［ 2023-11-30 ］. https：//doi.org/10.19595/j.cnki.1000-6753.tces.230923 https://doi.org/10.19595/j.cnki.1000-6753.tces.230923 .

FANG Yuxuan ， HU Junjie ， MA Wenshuai . Optimal dispatch strategy for electric vehicle aggregators based on Stackelberg game theory considering user intention ［J/OL］. Transactions of China Electrotechnical Society ［ 2023-11-30 ］. https：//doi.org/10.19595/j.cnki.1000-6753.tces.230923 https://doi.org/10.19595/j.cnki.1000-6753.tces.230923 .

王海鑫，袁佳慧，陈哲，等 . 智慧城市车-站-网一体化运行关键技术研究综述及展望［J］. 电工技术学报， 2022 ， 37 （ 1 ）： 112 - 132 .

WANG Haixin ， YUAN Jiahui ， CHEN Zhe ， et al . Review and prospect of key techniques for vehicle-station-network integrated operation in smart city ［J］. Transactions of China Electrotechnical Society ， 2022 ， 37 （ 1 ）： 112 - 132 .

韩富佳，王晓辉，乔骥，等 . 基于人工智能技术的新型电力系统负荷预测研究综述［J］. 中国电机工程学报， 2023 ， 43 （ 22 ）： 8569 - 8591 .

HAN Fujia ， WANG Xiaohui ， QIAO Ji ， et al . Review on artificial intelligence based load forecasting research for the new-type power system ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 22 ）： 8569 - 8591 .

张美霞，孙铨杰，杨秀 . 考虑多源信息实时交互和用户后悔心理的电动汽车充电负荷预测［J］. 电网技术， 2022 ， 46 （ 2 ）： 632 - 641 .

ZHANG Meixia ， SUN Quanjie ， YANG Xiu . Electric vehicle charging load prediction considering multi-source information real-time interaction and user regret psychology ［J］. Power System Technology ， 2022 ， 46 （ 2 ）： 632 - 641 .

LIN W X ， WU D ， BOULET B . Spatial-temporal residential short-term load forecasting via graph neural networks ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 5373 - 5384 .

李丹，孙光帆，缪书唯，等 . 基于多维时序信息融合的短期电力负荷预测方法［J］. 中国电机工程学报， 2023 ， 43 （增刊1 ）： 94 - 106 .

LI Dan ， SUN Guangfan ， MIAO Shuwei ， et al . A short-term power load forecasting method based on multidimensional temporal information fusion ［J］. Proceedings of the CSEE ， 2023 ， 43 （ Supplement 1 ）： 94 - 106 .

龙雪梅，杨军，吴赋章，等 . 考虑路网-电网交互和用户心理的电动汽车充电负荷预测［J］. 电力系统自动化， 2020 ， 44 （ 14 ）： 86 - 93 .

LONG Xuemei ， YANG Jun ， WU Fuzhang ， et al . Prediction of electric vehicle charging load considering interaction between road network and power grid and user’s psychology ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 14 ）： 86 - 93 .

杨冰，王丽芳，廖承林 . 大规模电动汽车充电需求及影响因素［J］. 电工技术学报， 2013 ， 28 （ 2 ）： 22 - 27 .

YANG Bing ， WANG Lifang ， LIAO Chenglin . Research on power-charging demand of large-scale electric vehicles and its impacting factors ［J］. Transactions of China Electrotechnical Society ， 2013 ， 28 （ 2 ）： 22 - 27 .

ZHANG J ， YAN J ， LIU Y Q ， et al . Daily electric vehicle charging load profiles considering demographics of vehicle users ［J］. Applied Energy ， 2020 ， 274 ： 115063 .

LU J X ， ZHANG Q P ， YANG Z H ， et al . A hybrid model based on convolutional neural network and long short-term memory for short-term load forecasting ［C］// 2019 IEEE Power & Energy Society General Meeting （PESGM）， August 4-8 ， 2019 ， Atlanta， USA ： 1 - 5 .

王毅，谷亿，丁壮，等 . 基于EMD-模糊熵和集成学习的电动汽车充电需求预测［J］. 电力系统自动化， 2020 ， 44 （ 3 ）： 114 - 121 .

WANG Yi ， GU Yi ， DING Zhuang ， et al . Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 3 ）： 114 - 121 .

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 .

HU Bo ， ZHANG Pengfei ， HUANG Enze ， et al . Graph WaveNet based charging load forecasting of electric vehicle ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 16 ）： 207 - 213 .

谢小瑜，周俊煌，张勇军，等 . 基于W-BiLSTM的可再生能源超短期发电功率预测方法［J］. 电力系统自动化， 2021 ， 45 （ 8 ）： 175 - 184 .

XIE Xiaoyu ， ZHOU Junhuang ， ZHANG Yongjun ， et al . W-BiLSTM based ultra-short-term generation power prediction method of renewable energy ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 8 ）： 175 - 184 .

LUO R K ， ZHANG Y C ， ZHOU Y ， et al . Deep learning approach for long-term prediction of electric vehicle （EV） charging station availability ［C］// 2021 IEEE International Intelligent Transportation Systems Conference （ITSC）， September 19-22 ， 2021 ， Indianapolis， USA ： 3334 - 3339 .

MA T Y ， FAYE S . Multistep electric vehicle charging station occupancy prediction using hybrid LSTM neural networks ［J］. Energy ， 2022 ， 244 ： 123217 .

TA X X ， LIU Z H ， HU X ， et al . Adaptive spatio-temporal graph neural network for traffic forecasting ［J］. Knowledge-Based Systems ， 2022 ， 242 ： 108199 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems ， December 4-9 ， 2017 ， Long Beach， USA ： 6000 - 6010 .

王炜，冯斌，黄刚，等 . 基于自注意力编码器和深度神经网络的短期净负荷预测［J］. 中国电机工程学报， 2023 ， 43 （ 23 ）： 9072 - 9083 .

WANG Wei ， FENG Bin ， HUANG Gang ， et al . Short-term net load forecasting based on self-attention encoder and deep neural network ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 23 ）： 9072 - 9083 .

HE R N ， RAVULA A ， KANAGAL B ， et al . Real former： transformer likes residual attention ［EB/OL］. ［ 2023-05-01 ］. arXiv： 2012 . 11747 . http：//arxiv.org/abs/2012.11747.pdf http://arxiv.org/abs/2012.11747.pdf

LAN S Y ， MA Y T ， HUANG W ， et al . DSTAGNN： dynamic spatial-temporal aware graph neural network for traffic flow forecasting ［C］// 39th International Conference on Machine Learning （ICML）， July 17-23 ， 2022 ， Baltimore， USA ： 1 - 12 .

City of Dundee . EV charging sessions dundee ［DB/OL］. ［ 2023-05-01 ］. https：//data.dundeecity. gov.uk/dataset/ev-425 charging-data https://data.dundeecity.gov.uk/dataset/ev-425charging-data .

City of PaloAlto . EVCSs usage ［DB/OL］.［ 2023-05-01 ］. https：//data.city of paloalto.org/dataviews/257812/electric-vehicle-charging-station-usage-july-2011-dec-2020/ https://data.cityofpaloalto.org/dataviews/257812/electric-vehicle-charging-station-usage-july-2011-dec-2020/ .

LI Y G ， YU R ， SHAHABI C ， et al . Diffusion convolutional recurrent neural network： data-driven traffic forecasting ［C］// International Conference on Learning Representations （ICLR）， April 30-May 3 ， 2018 ， Vancouver， Canada ： 1 - 16 .

WU Z H ， PAN S R ， LONG G D ， et al . Graph wavenet for deep spatial-temporal graph modeling ［C］// 28th International Joint Conference on Artificial Intelligence（IJCAI）， August 10-16 ， 2019 ， Macau， China ： 1907 - 1913 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Transient Frequency Safety Assessment Based on Independent Spatial-temporal Feature Extraction and Grouped Enhancement

Efficiency Optimization Method for Bidirectional Wireless Power Transfer System Based on Phase-shift Control and Mode Switching

Review of Modeling, Solution and Application for Coordinated Operation of Power-Transportation Systems

Related Author

YANG Wenxian

SHI Fang

SONG Xuemeng

TIAN Shuoshuo

NIE Liqiang

CHENG Dingyi

ZHANG Baokun

DENG Junjun

Related Institution

National Joint Engineering Laboratory of Power Grid with Electric Vehicles (Shandong University)

School of Computer Science and Technology, Shandong University

School of Electrical Engineering, Shandong University

State Grid Shandong Electric Power Research Institute

National Engineering Research Center of Electric Vehicles, Beijing Institute of Technology

⁰