基于图WaveNet的电动汽车充电负荷预测

胡博; 张鹏飞; 黄恩泽; 刘璟璐; 徐健; 邢作霞

doi:10.7500/AEPS20220130003

您当前的位置：

首页 >

文章列表页 >

基于图WaveNet的电动汽车充电负荷预测

学术研究 | 更新时间：2025-06-16

- 基于图WaveNet的电动汽车充电负荷预测
- Graph WaveNet Based Charging Load Forecasting of Electric Vehicle
- 电力系统自动化 2022年46卷第16期页码：207-213
- 作者机构：
  
  1.沈阳工业大学电气工程学院,辽宁省沈阳市 110870
  2.国网辽宁省电力有限公司,辽宁省沈阳市 110004
  3.国网葫芦岛供电公司,辽宁省葫芦岛市 125000
- 作者简介：
  
  胡博(1972—)，男，博士，教授级高级工程师，博士生导师，主要研究方向：电力系统自动化、人工智能、电动汽车与电网互动等。E-mail：dianlihubo@sina.com
  张鹏飞(1995—)，男，博士研究生，主要研究方向：人工智能、用户用电行为分析、电力负荷预测等。E-mail：1427118867@qq.com
  黄恩泽(1989—)，男，硕士，工程师，主要研究方向：电动汽车与电网互动、电力系统自动化等。E-mail：nabile@sina.com
  邢作霞（1976—），女，通信作者，博士，博士生导师，主要研究方向：电力系统自动化、智能电网优化调度、新能源控制与并网技术。E-mail：xingzuox@163.com
- 基金信息：
  
  辽宁省“兴辽英才计划”基金资助项目(XLYC1902090)
- DOI：10.7500/AEPS20220130003
  中图分类号：
- 收稿日期：2022-01-30，
  
  修回日期：2022-04-14，
  
  网络出版日期：2022-05-05，
  
  纸质出版日期：2022-08-25
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20220130003.

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. DOI： 10.7500/AEPS20220130003.

摘要

为了更好地挖掘电网-交通网强耦合态势下电动汽车充电负荷的时空动态特征，提高充电负荷预测精度，提出了一种基于图WaveNet的电动汽车充电负荷预测框架。首先，将耦合的电网-交通网中的充电站看作充电负荷节点；然后，把充电站的充电负荷数据作为节点的特征信息，将各个节点构造成一张图，并把蕴含充电负荷空间维信息的图和充电负荷的时间维信息输入自适应图WaveNet框架中进行预测；最后，以中国某市城区内的充电站负荷数据为例，将基于自适应图WaveNet框架的预测结果与现有方法的预测结果进行对比，验证了所提方法的正确性和有效性。

Abstract

In order to better mine the spatial-temporal dynamic characteristics of electric vehicle charging load under the situation of strong grid-transportation network coupling and improve the accuracy of charging load forecasting

a framework of graph WaveNet based charging load forecasting for electric vehicles is proposed. First

the charging stations in the coupled grid-transportation network are regarded as charging load nodes. Then

by regarding the charging load data of the charging stations as the characteristic information of the nodes

all the nodes are constructed into a graph

and the graph containing the spatial-dimension information of charging loads and the time-dimension information of charging loads are input into the adaptive graph WaveNet framework for forecasting. Finally

taking the charging station load data in an urban area of a city in China as an example

the forecasting results based on the adaptive graph WaveNet framework are compared with the forecasting results of the existing methods

and the correctness and effectiveness of the proposed method are verified.

关键词

Keywords

references

唐葆君，刘江鹏 . 中国新能源汽车产业发展展望［J］. 北京理工大学学报（社会科学版）， 2015 ， 17 （ 2 ）： 1 - 6 .

TANG Baojun ， LIU Jiangpeng . Prospects of China’s new energy vehicle industry ［J］. Journal of Beijing Institute of Technology （Social Sciences Edition）， 2015 ， 17 （ 2 ）： 1 - 6 .

何正友，向悦萍，廖凯，等 . 能源-交通-信息三网融合发展的需求、形态及关键技术［J］. 电力系统自动化， 2021 ， 45 （ 16 ）： 73 - 86 .

HE Zhengyou ， XIANG Yueping ， LIAO Kai ， et al . Demand， form and key technologies of integrated development of energy-transport-information networks ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 16 ）： 73 - 86 .

国务院办公厅关于印发新能源汽车产业发展规划（ 2021 — 2035 年）的通知［EB/OL］.［ 2022-03-03 ］. http：//www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm .

Notice of the General Office of the State Council on printing and distributing the new energy vehicle industry development plan （ 2021 — 2035 ）［EB/OL］. ［ 2022-03-03 ］. http：//www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm .

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 forecasting for electric vehicles ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 10 ）： 177 - 191 .

郭戈，徐涛，韩英华，等 . 电动汽车时代的电网-交通网协同优化综述［J］. 控制与决策， 2021 ， 36 （ 9 ）： 2049 - 2062 .

GUO Ge ， XU Tao ， HAN Yinghua ， et al . A survey of cooperative optimization of traffic-grid networks in the era of electric vehicles ［J］. Control and Decision ， 2021 ， 36 （ 9 ）： 2049 - 2062 .

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 .

葛晓琳，史亮，刘亚，等 . 考虑需求响应不确定性的电动汽车负荷Sigmoid云模型预测［J］. 中国电机工程学报， 2020 ， 40 （ 21 ）： 6913 - 6925 .

GE Xiaolin ， SHI Liang ， LIU Ya ， et al . Load forecasting of electric vehicles based on Sigmoid cloud model considering the uncertainty of demand response ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 21 ）： 6913 - 6925 .

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 .

曹昉，李赛，张姚 . 考虑充电站吸引力的EV充电负荷时空分布模拟［J］. 电网技术， 2021 ， 45 （ 1 ）： 75 - 87 .

CAO Fang ， LI Sai ， ZHANG Yao . Temporal and spatial distribution simulation of EV charging load considering charging station attractiveness ［J］. Power System Technology ， 2021 ， 45 （ 1 ）： 75 - 87 .

张琳娟，许长清，王利利，等 . 基于OD矩阵的电动汽车充电负荷时空分布预测［J］. 电力系统保护与控制， 2021 ， 49 （ 20 ）： 82 - 91 .

ZHANG Linjuan ， XU Changqing ， WANG Lili ， et al . OD matrix based spatiotemporal distribution of EV charging load prediction ［J］. Power System Protection and Control ， 2021 ， 49 （ 20 ）： 82 - 91 .

王毅，谷亿，丁壮，等 . 基于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 .

周润，向月，王杨，等 . 基于智能电表集总数据的家庭电动汽车充电行为非侵入式辨识与负荷预测［J/OL］. 电网技术［ 2022-01-24 ］. http：//kns.cnki.net/kcms/detail/11.2410.TM.202112 29.1343.006.html http://kns.cnki.net/kcms/detail/11.2410.TM.20211229.1343.006.html .

ZHOU Run ， XIANG Yue ， WANG Yang ， et al . Non-intrusive identification and load forecasting of household electric vehicle charging behavior based on smart meter data ［J/OL］. Power System Technology ［ 2022-01-24 ］. http：//kns.cnki.net/kcms/detail/11.2410.TM.20211229.1343.006.html http://kns.cnki.net/kcms/detail/11.2410.TM.20211229.1343.006.html .

WU Z H ， PAN S R ， LONG G D ， et al . Graph WaveNet for deep spatial-temporal graph modeling ［C］// Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence ， August 10-16 ， 2019 ， Macao， China .

王铮澄，周艳真，郭庆来，等 . 考虑电力系统拓扑变化的消息传递图神经网络暂态稳定评估［J］. 中国电机工程学报， 2021 ， 41 （ 7 ）： 2341 - 2350 .

WANG Zhengcheng ， ZHOU Yanzhen ， GUO Qinglai ， et al . Transient stability assessment of power system considering topological change： a message passing neural network-based approach ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 7 ）： 2341 - 2350 .

孙伟，朱世睿，杨建平，等 . 基于图卷积网络的微电网拓扑辨识［J］. 电力系统自动化， 2022 ， 46 （ 5 ）： 71 - 81 .

SUN Wei ， ZHU Shirui ， YANG Jianping ， et al . Topology identification of microgrid based on graph convolutional network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 5 ）： 71 - 81 .

徐冰冰，岑科廷，黄俊杰，等 . 图卷积神经网络综述［J］. 计算机学报， 2020 ， 43 （ 5 ）： 755 - 780 .

XU Bingbing ， CEN Keting ， HUANG Junjie ， et al . A survey on graph convolutional neural network ［J］. Chinese Journal of Computers ， 2020 ， 43 （ 5 ）： 755 - 780 .

ATWOOD J ， TOWSLEY D . Diffusion-convolutional neural networks ［C］// Conference and Workshop on Neural Information Processing Systems （NIPS）， December 5-10 ， 2016 ， Barcelona， Spain .

LI Y G ， YU R ， SHAHABI C ， et al . Diffusion convolutional recurrent neural network： data-driven traffic forecasting ［EB/OL］. ［ 2022-03-01 ］. https：//arxiv.org/abs/1707.01926 https://arxiv.org/abs/1707.01926 .

GENG X ， LI Y G ， WANG L Y ， et al . Spatiotemporal multi-graph convolution network for ride-hailing demand forecasting ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2019 ， 33 ： 3656 - 3663 .

GOYAL P ， FERRARA E . Graph embedding techniques， applications， and performance： a survey ［J］. Knowledge-Based Systems ， 2018 ， 151 ： 78 - 94 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向电力-交通系统协同运行的建模、求解与应用评述

基于改进时空图神经网络的高渗透率有源配电网故障定位