基于CNN-LSTM-AM的電動汽車充電負荷預測

中圖分類號：U469.72 文獻標識碼：A 文章編號：1003-8639（2025）10-0062

【Abstract】In view of the challenges brought by large-sale electric vehicle charging loads to the power grid and thelimitationsof traditional prediction methods，this paper proposes ahybrid neural network loadpredictionmodel based on CNN-LSTM-AM，comprehensivelyconsidering theinfluenceofload corelation factors in typical scenariosoncharging load prediction.The method proposed inthis paperisappliedtothepredictionof electric vehiclecharging load in Hainan Province.By comparing it with traditional prediction methods，the efectiveness ofthe proposed method is verified.

【Key Words】electric vehicle;chargingload;CNN-LSTM-AM;forecasting model; time series

0 引言

電動汽車（ElectricVehicle，EV）的快速普及在推動可持續發展的同時，其大規模無序充電行為對電網的穩定性、安全性和經濟性構成嚴峻挑戰[1]。作為新型電力系統中高增長、具有顯著時空不確定性的負荷，實現精準的電動汽車充電負荷預測，已成為電網規劃、調度及能源管理領域中一個亟待解決的關鍵課題。

EV充電負荷的預測方法一般可分為模型驅動和數據驅動[2]。早期的模型驅動方法，如自回歸積分移動平均時間序列分析法，雖在處理線性問題時有效，但其線性假設和靜態參數結構使其難以捕捉充電負荷數據固有的非線性特征與動態變化規律；另一類，如蒙特卡洛模擬的概率建模方法、馬爾科夫出行鏈等[3，通過對用戶行為進行概率假設來匯總推斷群體負荷。但這種簡化假設常與復雜的現實情況存在較大偏差，無法適應和捕捉現實世界中充電行為的高度復雜性、動態性和非線性，模型的魯棒性較差。為解決傳統模型驅動預測方法的局限性，相關研究提出了基于機器學習（含深度學習）的數據驅動預測方法，其中長短期記憶（LongShort-TermMemory，LSTM）{4在預測領域應用最為廣泛。LSTM雖能處理非線性和長期依賴性，但需大量數據訓練，且模型復雜度較高，易出現過擬合問題，使得預測結果與實際不符。

基于此，本文針對LSTM的不足，在LSTM中引人卷積神經網絡（ConvolutionalNeuralNetwork，CNN）和注意力機制（AttentionMechanism，AM），提出了一種混合CNN-LSTM-AM的電動汽車充電負荷預測模型。利用CNN對輸入數據局部特征的強大捕捉能力，結合LSTM在處理時間序列非線性關系上的優勢，引人AM來動態捕捉長序列中的關鍵依賴信息。

1數據選擇及預處理

根據2023—2024年海南省典型市縣（區）的電動汽車充電站歷史充電數據、電動汽車用戶行為數據（包括充電時間、充電頻率、充電量等），以及典型工作日和非工作日的充電負荷數據等的特點，選取了地區GDP、電動汽車保有量、私人充電樁數量、公共充電樁數量作為影響電動汽車充電負荷的關鍵因素。

為確保數據處理的準確性和結果穩健性，首先對數據進行歸一化處理。然后為了融合不同時間尺度的特征，通過MIMO策略構建輸入特征矩陣 X_to

式中：xs——短間隔時間序列； xl? ——長間隔時間序列； k 一一采樣倍數關系，即一個長時間間隔包含了 k 個短時間間隔； T —一長時間序列的總步長；concat （.，.） ——拼接操作； xs_1：k ——從第1個到第 k 個短時間序列值的切片。

對于長間隔序列的每個時間點 i（i=1，2，...，T ），根據式（2）計算或獲取對應的長間隔值 xl_i ，之后提取與該長間隔時間段相對應的 k 個連續的短間隔值xs_{（T-1）k+1：Tk} ，將標量 xl_i 與 k 維的向量 xs 進行拼接，形成一個 k+1 維的特征向量： [xl_i，xs_（i-1）k+1，...，xs_ik] 最后，將生成的 T 個 k+1 維行向量按時間順序堆疊起來，如式（1），最終形成一個維度為 T?（k+1） 的多尺度輸人特征矩陣 X_t° 矩陣的每一行對應一個長間隔時間點i，包含該點的長間隔聚合值及其對應的 k 個短間隔原始值，這種方法融合了不同時間尺度的信息，有助于解決單一序列輸入信息不足及時間特征缺失的問題。需特別注意，長短間隔序列的采樣率必須滿足整數倍關系 k 。

2基于CNN-LSTM-AM的充電負荷預測框架

首先構建基于CNN-LSTM-AM的算法框架（圖1）。該框架運用CNN從數據里提取空間特征，LSTM的第1層和第2層承擔提取時間特征的任務，AM則用于捕捉長時間序列中的依賴關系。其注意力層為解碼器的輸入生成向量，能夠高效地從海量信息中提煉出與當前任務最為相關的部分，從而有效提升長序列的預測精度。基于CNN-LSTM-AM算法的電動汽車充電負荷預測流程如圖2所示。

圖1 CNN-LSTM-AM的算法框架

圖2電動汽車充電負荷預測流程圖

基于CNN-LSTM-AM算法的電動汽車充電負荷預測流程是實現精準預測的關鍵步驟，涵蓋了從數據預處理到最終預測結果輸出的全過程。

2.1數據收集與預處理

首先，需要收集相關的數據，這些數據包括電動汽車充電站的歷史充電數據、電動汽車用戶的行為數據（如充電時間、充電頻率、充電量等），以及一些影響電動汽車充電負荷的關鍵因素，如地區GDP、電動汽車保有量、私人充電樁數量、公共充電樁數量等。

接著，對收集到的數據進行預處理。具體而言，數據預處理包括數據清洗、歸一化處理等步驟。

2.2 特征構建

在數據預處理之后，需要構建輸入特征矩陣。這是通過多進多出（MultipleInputMultipleOutput，MIMO）策略來實現的。MIMO策略的核心思想是融合不同時間尺度的特征，以充分利用數據中的時間和空間信息。具體來說，將短間隔時間序列和長間隔時間序列結合起來，構建一個多尺度的輸人特征矩陣。這種方法能夠有效地融合不同時間尺度的信息，有助于解決單一序列輸入信息不足及時間特征缺失的問題，為后續的模型訓練提供了更豐富的特征表示。

2.3 CNN特征提取

構建好輸入特征矩陣后，進入模型的第一個模塊——卷積神經網絡（Convolutional NeuralNetwork，CNN）。CNN通過卷積層和池化層的操作，能夠自動地學習數據中的局部特征和模式。卷積層通過卷積核在輸入數據上滑動，提取出數據中的局部特征，這些局部特征可以是充電負荷在相鄰時間點之間的變化趨勢、周期性模式等。池化層則用于降低特征的維度，同時保留重要的特征信息，提高模型的計算效率和泛化能力。經過CNN的處理，輸入數據的空間特征被有效地提取出來，為后續的時間序列分析提供了更易于處理的特征表示。

2.4 LSTM時間序列分析

提取了空間特征后，接下來進入模型的第二個模塊——長短期記憶網絡（LongShort-TermMemory，LSTM）。在電動汽車充電負荷預測中，充電負荷數據具有明顯的時間序列特性，如日周期性、周周期性等，LSTM可以很好地捕捉這些長期依賴關系，從而更準確地預測未來的充電負荷。

2.5 AM注意力機制

在LSTM處理完時間序列數據后，進入模型的第三個模——注意力機制（AttentionMechanism，AM）。在電動汽車充電負荷預測中，注意力機制可以動態地捕捉時間序列中的關鍵時間點，如充電高峰時段、節假日等，這些時間點對充電負荷的預測具有重要的影響。AM模塊通過計算輸入序列中每個時間點的重要性權重，將這些權重與對應的特征向量相乘，得到加權后的特征向量。然后，將這些加權后的特征向量進行加和，得到一個綜合的特征向量，該向量能夠更好地反映時間序列中的關鍵信息。注意力機制的引入，使得模型能夠更加關注重要的時間點和特征，從而提高預測的準確性和魯棒性。

2.6 預測結果輸出

最后，經過CNN、LSTM和AM模塊處理后的特征向量被輸入到輸出層，輸出層通過一個全連接神經網絡，將特征向量映射到預測的充電負荷值。全連接神經網絡的權重和偏置參數通過訓練過程進行學習和優化，以最小化預測值與真實值之間的誤差。最終，模型輸出預測的電動汽車充電負荷值，這些預測值可以用于電網規劃、調度和能源管理等領域，為電動汽車的有序充電和電網的穩定運行提供決策支持。

3 算例分析

選取基于聚類方法的負荷預測、等比例法來比較驗證所提出的CNN-LSTM-AM模型預測效果。2025—2030年海南省最大充電負荷預測結果對比如圖3所示。從圖中可以看出，本文的預測值與等比例法相近，根據2025年夏季最大充電負荷實際值對比可知，本文方法預測結果更為準確。

圖32025—2030年海南省最大充電負荷預測結果對比

4結論

本文提出了一種混合CNN-LSTM-AM的神經網絡電動汽車充電負荷預測模型，用于解決海南省電動汽車充電負荷的預測問題。首先分析海南省典型場景下負荷關聯因素對充電負荷預測的影響，其次基于海南省真實充電負荷歷史數據，結合不同時間尺度特征，采用MIMO策略處理輸入數據，最終通過CNN提取局部特征，利用融合注意力機制的LSTM處理時間序列關系，實現了對復雜影響因素的綜合考量。通過試驗結果與預測方法比較，所提出的模型預測結果與實際趨勢更為吻合，驗證了本文方法的有效性。

參考文獻

[1] PALANISAMY S， LALA H. Optimal sizing of renewable energy powered hydrogen and electric vehicle charging station （HEVCS） [J].IEEEAccess，2024（12）：48239-48254.

[2] SHENX，ZHAOH，XIANGY，etal.Short-term electricvehicles chargingload forecastingbased on deeplearning inlow-quality dataenvironments[J].Electric Power Systems Research，2022 （212）：108247.

[3]任明遠，姜明軍，宋玉峰，等.基于蒙特卡洛法的城市電動 汽車充電負荷預測[J].電氣應用，2023，42（4）：18-23.

[4]GHENAIC，AHMADFF，REJEBO.Artificial neural networkbased models for short term forecasting of solar PV power output and battery state of charge of solar electric vehicle charging station[J].Case Studies in Thermal Engineering，2O24（61）： 105152.

（編輯 楊景）