Charging Load Forecasting Method for Electric Vehicles Considering Dynamic Reconfiguration of Distribution Networks

WAN Yizhi; LIU Youbo; XU Xiao; LI Zhengbo; LI Chen; XIANG Yue; LIU Junyong

doi:10.7500/AEPS20250415009

您当前的位置：

首页 >

文章列表页 >

Charging Load Forecasting Method for Electric Vehicles Considering Dynamic Reconfiguration of Distribution Networks

Basic Research | 更新时间：2026-02-28

- Charging Load Forecasting Method for Electric Vehicles Considering Dynamic Reconfiguration of Distribution Networks
- Automation of Electric Power Systems Vol. 50, Issue 4, Pages: 91-100(2026)
- 作者机构：
  
  1.四川大学电气工程学院，四川省成都市 610065
  2.国网四川电力交易中心有限公司，四川省成都市 610041
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52207128)
- DOI：10.7500/AEPS20250415009
  CLC：
- Received：15 April 2025，
  
  Revised：2025-08-19，
  
  Online First：05 January 2026，
  
  Published：25 February 2026
- 稿件说明：
移动端阅览
万一志,刘友波,许潇等.考虑配电网动态重构的电动汽车充电负荷预测方法[J].电力系统自动化,2026,50(4):91-100.

WAN Yizhi,LIU Youbo,XU Xiao,et al.Charging Load Forecasting Method for Electric Vehicles Considering Dynamic Reconfiguration of Distribution Networks[J].Automation of Electric Power Systems,2026,50(4):91-100.
万一志,刘友波,许潇等.考虑配电网动态重构的电动汽车充电负荷预测方法[J].电力系统自动化,2026,50(4):91-100. DOI： 10.7500/AEPS20250415009.

WAN Yizhi,LIU Youbo,XU Xiao,et al.Charging Load Forecasting Method for Electric Vehicles Considering Dynamic Reconfiguration of Distribution Networks[J].Automation of Electric Power Systems,2026,50(4):91-100. DOI： 10.7500/AEPS20250415009.

摘要

电动汽车充电负荷激增使配电网重构频率显著提升，而动态拓扑调整重塑了节点间能量供给关系，造成基于静态拓扑假设的预测模型因供电路径失配产生系统性误差。为此，文中提出了一种基于动态图神经网络的多时间序列预测方法，将动态图神经网络引入配电网重构场景，建立拓扑时变与充电负荷预测的显式映射关系。针对配电网动态重构过程，使用相关性图对节点间的动态耦合过程进行建模，并通过注意力机制增强图预测模块的全局特征捕获能力；使用推理模块，量化不同历史时期相关性图对当前时刻各节点的影响；使用门控循环网络模块提取高维隐特征中的时序特征并输出预测结果。最后，基于实际数据集的实验结果表明，所提方法在配电网灵活重构场景中有效提升了负荷预测精度，同时具备较好的鲁棒性。

Abstract

The surge in electric vehicle (EV) charging load has made the frequency of distribution network reconfiguration increase significantly. Dynamic topology adjustment reshapes the energy supply relationships between nodes

causing systematic errors in forecasting models based on static topology assumptions due to feeder path mismatches. To address this

this paper proposes a multi-time series forecasting method based on dynamic graph neural network. It introduces a dynamic graph neural network into the distribution network reconfiguration scenario

establishing an explicit mapping relationship between time-varying topology and charging load forecasting. For the dynamic reconfiguration process of the distribution network

a correlation graph is used to model the dynamic coupling process between nodes

and an attention mechanism is employed to enhance the global feature capture capability of the graph forecasting module. Subsequently

an inference module is used to quantify the influence of correlation graphs during different historical periods on each node at the current moment. A gated recurrent network module extracts temporal features from high-dimensional latent features and outputs the forecasting results. Finally

experimental results based on an actual dataset show that the proposed method effectively improves load forecasting accuracy in flexible distribution network reconfiguration scenarios and has good robustness

关键词

Keywords

references

ALMESHAIEI E ， SOLTAN H . A methodology for electric power load forecasting ［J］. Alexandria Engineering Journal ， 2011 ， 50 （ 2 ）： 137 - 144 .

张剑，蔡绍堂，杨挺，等 . 计及移动储能车的充电基础设施与配电网协同规划方法［J/OL］. 中国电机工程学报［ 2025-03-20 ］. http：//kns.cnki.net/kcms/detail/11.210-7.tm.20241223.1504.021.html http://kns.cnki.net/kcms/detail/11.210-7.tm.20241223.1504.021.html .

ZHANG Jian ， CAI Shaotang ， YANG Ting ， et al . Coordinated planning method of charging infrastructure and distribution grid taking into account mobile energy storage vehicles ［J/OL］. Proceedings of the CSEE ［ 2025-03-20 ］. http：//kns.cnki.net/kcms/detail/11.210-7.tm.20241223.1504.021.html http://kns.cnki.net/kcms/detail/11.210-7.tm.20241223.1504.021.html .

LI Y G ， ROSE Y ， CYRUS S ， et al . Diffusion convolutional recurrent neural network： data-driven traffic forecasting ［EB/OL］. ［ 2023-09-14 ］. https：//arxiv.org/pdf/1707.01926 https://arxiv.org/pdf/1707.01926 .

YU B ， YIN H T ， ZHU Z X . Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting ［C］// Proceedings of the 27th International Joint Conference on Artificial Intelligence ， July 13-19 ， 2018 ， Stockholm， Sweden ： 3634 - 3640 .

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 .

BAO Y X ， HUANG J S ， SHEN Q Q ， et al . Spatial-temporal complex graph convolution network for traffic flow prediction ［J］. Engineering Applications of Artificial Intelligence ， 2023 ， 121 ： 106044 .

ULLAH I ， LIU K ， YAMAMOTO T ， et al . Modeling of machine learning with SHAP approach for electric vehicle charging station choice behavior prediction ［J］. Travel Behaviour and Society ， 2023 ， 31 ： 78 - 92 .

GUO S N ， LIN Y F ， LI S J ， et al . Deep spatial-temporal 3D convolutional neural networks for traffic data forecasting ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2019 ， 20 （ 10 ）： 3913 - 3926 .

张鹏飞，胡博，何金松，等 . 基于时空图卷积网络的短期空间负荷预测方法［J］. 电力系统自动化， 2023 ， 47 （ 13 ）： 78 - 85 .

ZHANG Pengfei ， HU Bo ， HE Jinsong ， et al . Short-term spatial load forecasting method based on spatio-temporal graph convolutional network ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 13 ）： 78 - 85 .

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 .

赵紫昱，陈渊睿，陈霆威，等 . 基于时空图注意力网络的超短期区域负荷预测［J］. 电力系统自动化， 2024 ， 48 （ 12 ）： 147 - 155 .

ZHAO Ziyu ， CHEN Yuanrui ， CHEN Tingwei ， et al . Ultra-short-term regional load forecasting based on spatio-temporal graph attention network ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 12 ）： 147 - 155 .

GUO S N ， LIN Y F ， WAN H Y ， et al . Learning dynamics and heterogeneity of spatial-temporal graph data for traffic forecasting ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2021 ， 34 （ 11 ）： 5415 - 5428 .

LI G Y ， ZHONG S H ， DENG X D ， et al . A lightweight and accurate spatial-temporal transformer for traffic forecasting ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2022 ， 35 （ 11 ）： 10967 - 10980 .

QU H H ， KUANG H X ， WANG Q X ， et al . A physics-informed and attention-based graph learning approach for regional electric vehicle charging demand prediction ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2024 ， 10 （ 25 ）： 14284 - 14297 .

LI X P ， HAN Q . An EV charging station load prediction method considering distribution network upgrade ［J］. IEEE Transactions on Power Systems ， 2023 ， 39 （ 2 ）： 4360 - 4371 .

ZHANG S Y ， ZHANG S Y ， YU J J Q ， et al . ST-AGNet： dynamic power system state prediction with spatial-temporal attention graph-based network ［J］. Applied Energy ， 2024 ， 365 ： 123252 .

KABABJI S ， SRIKANTHA P . A data-driven approach for generating synthetic load patterns and usage habits ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 6 ）： 4984 - 4995 .

蒋子规 . 面向电力大数据的用户用电行为挖掘方法［D］. 北京：北京邮电大学， 2019 .

JIANG Zigui . Mining method of users’ electricity consumption behavior for power big data ［D］. Beijing ： Beijing University of Posts and Telecommunications ， 2019 .

李含玉，杜兆斌，陈丽丹，等 . 基于出行模拟的电动汽车充电负荷预测模型及V2G评估［J］. 电力系统自动化， 2019 ， 43 （ 21 ）： 88 - 96 .

LI Hanyu ， DU Zhaofu ， CHEN Lidan ， et al . Trip simulation based charging load forecasting model and vehicle-to-grid evaluation of electric vehicles ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 21 ）： 88 - 96 .

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 .

DENG S ， CAI Q Y ， ZHANG Z ， et al . User behavior analysis based on stacked autoencoder and clustering in complex power grid environment ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2021 ， 23 （ 12 ）： 25521 - 25535 .

李东东，段维伊，林顺富，等 . 实时电价条件下基于用户引导的电动汽车-充电桩匹配策略［J］. 电力系统自动化， 2020 ， 44 （ 8 ）： 74 - 82 .

LI Dongdong ， DUAN Weiyi ， LIN Shunfu ， et al . User guidance based matching strategy for electric vehicle-charging pile in condition of real-time electricity price ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 8 ）： 74 - 82 .

王浩林，张勇军，毛海鹏 . 基于时刻充电概率的电动汽车充电负荷预测方法［J］. 电力自动化设备， 2019 ， 39 （ 3 ）： 207 - 213 .

WANG Haolin ， ZHANG Yongjun ， MAO Haipeng . Charging load forecasting method based on instantaneous charging probability for electric vehicles ［J］. Electric Power Automation Equipment ， 2019 ， 39 （ 3 ）： 207 - 213 .

邵尹池，穆云飞，余晓丹，等 . “车-路-网”模式下电动汽车充电负荷时空预测及其对配电网潮流的影响［J］. 中国电机工程学报， 2017 ， 37 （ 18 ）： 5207 - 5219 .

SHAO Yinchi ， MU Yunfei ， YU Xiaodan ， et al . A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 18 ）： 5207 - 5219 .

POWELL S ， CEZAR G V ， MIN L ， et al . Charging infrastructure access and operation to reduce the grid impacts of deep electric vehicle adoption ［J］. Nature Energy ， 2022 ， 7 （ 10 ）： 932 - 945 .

张峻凯，胡旭光，刘要博，等 . 基于动态关联图注意力网络的虚拟电厂居民短期负荷预测［J］. 电力系统自动化， 2024 ， 48 （ 21 ）： 120 - 128 .

ZHANG Junkai ， HU Xuguang ， LIU Yaobo ， et al . Short-term residential load forecasting based on dynamic association graph attention networks for virtual power plant ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 21 ）： 120 - 128 .

WANG T ， HUANG J Q ， ZHANG H W ， et al . Visual commonsense R-CNN ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition ， June 13-19 ， 2020 ， Seattle， USA ： 10760 - 10770 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Dynamic Reconfiguration Method for Distribution Network Based on Decision-oriented Period Division

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

Fault Location for Active Distribution Network with High Penetration Rate Based on Improved Spatio-Temporal Graph Neural Network

Related Author

ZHOU Guoxun

YU Tao

LIU Qianjin

WU Yufeng

PAN Zhenning

WANG Ziyao

LIU Qianjin

PAN Zhenning

Related Institution

School of Electric Power, South China University of Technology

Guangdong Provincial Key Laboratory of Intelligent Measurement and Advanced Metering of Power Grid

School of Electrical and Power Engineering, Hohai University

Key Laboratory of Modern Power System Simulation and Control & Renewable Energy Technology, Ministry of Education (Northeast Electric Power University)

Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education (Shanghai Jiao Tong University)

⁰