电源学报

基于LSTM-GNN组合模型的电动汽车短期充电负荷预测

PDF下载

刘奕舟中国电源学会学生会员 ¹^,² , 李振华 ¹^,² , 魏伟 ³ , 李振兴 ¹^,² , 徐艳春 ¹^,² , 张磊 ¹^,²

电源学报 | 电力系统 2025,23(8): 145-156

收起

电源学报 |电力系统 2025 , 23 (8) : 145 -156

基于LSTM-GNN组合模型的电动汽车短期充电负荷预测

全屏

刘奕舟中国电源学会学生会员¹^,², 李振华¹^,², 魏伟³, 李振兴¹^,², 徐艳春¹^,², 张磊¹^,²

作者信息

^1.三峡大学电气与新能源学院，宜昌　443002

^2.智慧能源技术湖北省工程研究中心（三峡大学），宜昌　443002

^3.国网湖北省电力有限公司营销服务中心（计量中心），武汉　443080

通讯作者:

李振华（1986—　），男，通信作者，博士，教授。研究方向：电磁测量与传感，电力设备状态监测技术。Email：lizhenhua1993@163.com。

作者简介:

刘奕舟（1999—　），男，中国电源学会学生会员，硕士研究生。研究方向：电动汽车负荷预测，电能计量技术。Email：mythliu093@163.com。

魏伟（1989—　），男，博士，高级工程师。研究方向：电力计量技术，电力设备状态评估技术，碳计量技术。Email：1036243440@qq.com。

李振兴（1977—　），男，博士，教授。研究方向：电力系统继电保护。E-mail：lzx2007001@163.com。

徐艳春（1973—　），女，博士，副教授。研究方向：主动配电网电能质量检测与治理，电力系统优化运行与调度。E-mail：xyc7309@163.com。

张磊（1986—　），男，博士，副教授。研究方向：大规模新能源接入后电力系统优化运行控制。E-mail：leizhang3188@163.com。

Short-term Charging Load Forecasting for Electric Vehicles Based on Combined LSTM-GNN Model

Yizhou LIU Student Member, CPSS¹^,², Zhenhua LI¹^,², Wei WEI³, Zhenxing LI¹^,², Yanchun XU¹^,², Lei ZHANG¹^,²

Affiliations

^1.College of Electrical Engineering & New Energy, China Three Gorges University, Yichang 443002, China

^2.Hubei Provincial Engineering Research Center of Intelligent Energy Technology, China Three Gorges University, Yichang 443002, China

^3.Marketing Service Center (Measurement Center), State Grid Hubei Electric Power Co., Ltd., Wuhan 443080, China

出版时间: 2025-12-30 doi: 10.13234/j.issn.2095-2805.2025.8.145

文章导航

摘要

收起

在新能源时代背景下，针对电动汽车充电负荷对电网的影响这一热点问题，提出1种基于长短期记忆法-图神经网络LSTM-GNN（long short-term memory network and graph neural network）组合模型的电动汽车短期充电负荷预测方法，以解决现有模型的不足。首先，运用科普拉（Copula）理论对3种典型日负荷进行相关性分析，构建包含主要因素与充电站历史负荷的特征输入矩阵，并建立滑动窗口数据集。然后，利用LSTM与GNN对特征输入矩阵进行特征提取和图数据构建，图神经网络层完成特征聚合并输出预测负荷值及误差评价指标。算例结果表明，该模型在不同区域充电站能有效提取充电负荷关键特征，相较传统模型具有更好的预测效果和泛化能力。

关键词

负荷预测 / 深度学习 / 图神经网络 / 长短期记忆 / 电动汽车 / 充电负荷

Abstract

收起

In the context of new energy era, aimed at the hot issue of the impact of electric vehicle charging loads on power grid, a short-term charging load forecasting method for electric vehicles based on a combined long short-term memory network and graph neural network (LSTM-GNN) model is proposed to address the shortcomings of existing models. First, three typical daily loads are correlated using the Copula theory, a feature input matrix containing the main factors and historical loads of charging stations is constructed, and a sliding window data set is established. Second, LSTM and GNN are used for feature extraction and graph data construction of the feature input matrix, and the GNN layer completes the feature aggregation and outputs the predicted load value and error evaluation indexes. The results of an example show that the proposed model can effectively extract the key features of charging load at charging stations in different regions, and it has better forecasting performance and generalization capability than traditional models.

Key words

Load forecasting / deep learning / graph neural networks (GNN) / long and short-term memory (LSTM) / electric vehicle / charging load

引用本文

刘奕舟中国电源学会学生会员, 李振华, 魏伟, 李振兴, 徐艳春, 张磊. 基于LSTM-GNN组合模型的电动汽车短期充电负荷预测. 电源学报, 2025 , 23 (8) : 145 -156 . DOI: 10.13234/j.issn.2095-2805.2025.8.145

Yizhou LIU, Zhenhua LI, Wei WEI, Zhenxing LI, Yanchun XU, Lei ZHANG. Short-term Charging Load Forecasting for Electric Vehicles Based on Combined LSTM-GNN Model[J]. Journal of Power Supply, 2025 , 23 (8) : 145 -156 . DOI: 10.13234/j.issn.2095-2805.2025.8.145

基金

收起

国家自然科学基金资助项目(52277012)
武汉强磁场学科交叉基金资助项目(WHMFC202202)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

Lee Z J, Chang D, Jin Cheng, et al. Large-scale adaptive electric vehicle charging[C]//2018 IEEE Global Conference on Signal and Information Processing (Global-SIP). Anaheim, CA, USA, 2019: 863-864.

[2]

刘青, 戚中译. 基于蒙特卡洛法的电动汽车负荷预测建模[J]. 电力科学与工程, 2014, 30(10): 14-19. Liu Qing, Qi Zhongyi. Electric vehicles load forecasting model based on Monte Carlo simulation[J]. Electric Power Science and Engineering, 2014, 30(10): 14-19. (in Chinese)

[3]

陈丽丹, 聂涌泉, 钟庆. 基于出行链的电动汽车充电负荷预测模型[J]. 电工技术学报, 2015, 30(4): 216-225. Chen Lidan, Nie Yongquan, Zhong Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225. (in Chinese)

[4]

Gao Qiang, Zhu Tao, Zhou Weijiang, et al. Charging load forecasting of electric vehicle based on Monte Carlo and deep learning[C]//2019 IEEE Sustainable Power and Energy Conference (iSPEC). Beijing, China, 2020: 1309-1314.

[5]

刘德澳, 董明刚, 叶威, 等. 基于图神经网络的非均匀风电场功率预测方法[J]. 太阳能学报, 2023, 44(11): 279-286. Liu Deao, Dong Minggang, Ye Wei, et al. Power prediction method of non-uniform wind farm layout based on graph neural network[J]. Acta Energiae Solaris Sinica, 2023, 44(11): 279-286. (in Chinese)

[6]

薛阳, 燕宇铖, 贾巍, 等. 基于改进灰狼算法优化长短期记忆网络的光伏功率预测[J]. 太阳能学报, 2023, 44(7): 207-213. Xue Yang, Yan Yucheng, Jia Wei, et al. Photovoltaic power prediction model based on IGWO-LSTM[J]. Acta Energiae Solaris Sinica, 2023, 44(7): 207-213. (in Chinese)

[7]

姚芳, 汤俊豪, 陈盛华, 等. 基于ISSA-CNN-GRU模型的电动汽车充电负荷预测方法[J]. 电力系统保护与控制, 2023, 51(16): 158-167. Yao Fang, Tang Junhao, Chen Shenghua, et al. Charging load prediction method for electric vehicles based on an ISSA-CNN-GRU model[J]. Power System Protection and Control, 2023, 51(16): 158-167. (in Chinese)

[8]

季玉琦, 严亚帮, 和萍, 等. 基于K-Medoids聚类与栅格法提取负荷曲线特征的CNN-LSTM短期负荷预测[J]. 电力系统保护与控制, 2023, 51(18): 81-93. Ji Yuqi, Yan Yabang, He Ping, et al. CNN-LSTM short-term load forecasting based on the K-Medoids clustering and grid method to extract load curve features[J]. Power System Protection and Control, 2023, 51(18): 81-93. (in Chinese)

[9]

史含笑, 王雷春. 结合LSTM和自注意力机制的图卷积网络短期电力负荷预测[J]. 计算机应用, 2024, 44(1): 311-317. Shi Hanxiao, Wang Leichun. Short-term power load forecasting by graph convolutional network combining LSTM and self-attention mechanism[J]. Journal of Computer Applications, 2024, 44(1): 311-317. (in Chinese)

[10]

李致远, 徐丙磊, 周颖仪. 基于图神经网络的账户余额模型区块链地址分类方法[J]. 通信学报, 2023, 44(9): 115-126. Li Zhiyuan, Xu Binglei, Zhou Yingyi. Graph neural network-based address classification method for account balance model blockchain[J]. Journal on Communications, 2023, 44(9): 115-126. (in Chinese)

[11]

舒征宇, 翟二杰, 李镇翰, 等. 基于Dropout优化算法和LSTM的铅酸蓄电池容量预测[J]. 电源学报, 2023, 21(5): 173-181. Shu Zhengyu, Zhai Erjie, Li Zhenhan, et al. Prediction of lead-acid battery capacity based on dropout optimization algorithm and LSTM[J]. Journal of Power Supply, 2023, 21(5): 173-181. (in Chinese)

[12]

Scarselli F, Gori M, Tsoi A C, et al. The graph neural network model[J]. IEEE Transactions on Neural Networks, 2009, 20(1): 61-80.

[13]

Lee Z J, Sharma S, Johansson D, et al. ACN-sim: An open-source simulator for data-driven electric vehicle charging research[J]. IEEE Transactions on Smart Grid, 2021, 12(6): 5113-5123.

[14]

Lee G, Lee T, Low Z, et al. Adaptive charging network for electric vehicles[C]//2016 IEEE Global Conference on Signal and Information Processing (GlobalSIP). Washington, DC, USA, 2017: 891-895.

[15]

杨柳, 李明. 基于科普拉函数的电、热负荷及风电出力间的相关性分析与建模[J]. 吉林电力, 2021, 49(2): 1-5. Yang Liu, Li Ming. Correlation analysis and modeling between electric-heat load and wind power output based on copula function[J]. Jilin Electric Power, 2021, 49(2): 1-5. (in Chinese)

[16]

罗凤章, 张旭, 杨欣, 等. 基于深度学习的综合能源配电系统负荷分析预测[J]. 高电压技术, 2021, 47(1): 23-32. Luo Fengzhang, Zhang Xu, Yang Xin, et al. Load analysis and prediction of integrated energy distribution system based on deep learning[J]. High Voltage Engineering, 2021, 47(1): 23-32. (in Chinese)

[17]

李振华, 兰芳, 钟悦, 等. 基于双骨架共绕技术的测量保护一体化电流传感器[J]. 高电压技术, 2022, 48(11): 4427-4436. Li Zhenhua, Lan Fang, Zhong Yue, et al. Measurement-protection-integrated current sensor based on double-bobbin co-winding technology[J]. High Voltage Engineering, 2022, 48(11): 4427-4436. (in Chinese)

[18]

王玉梅, 张家康. 基于卷积神经网络多判据融合的井下电网故障选线方法[J]. 电源学报, 2023, 21(5): 110-117. Wang Yumei, Zhang Jiakang. Fault line selection method for mine power grid based on fusion of multiple criteria of convolutional neural network[J]. Journal of Power Supply, 2023, 21(5): 110-117. (in Chinese)

[19]

李振华, 廖星锐, 童悦, 等. 基于动态重燃弧模型的VFTO与VFTC仿真及特性分析[J]. 电力系统保护与控制, 2023, 51(3): 79-88. Li Zhenhua, Liao Xingrui, Tong Yue, et al. Simulation and characteristic analysis of VFTO and VFTC based on a dynamic reignition arc model[J]. Power System Protection and Control, 2023, 51(3): 79-88. (in Chinese)

[20]

Guo Linqi, Erliksson K F, Low S H. Optimal online adaptive electric vehicle charging[C]//2017 IEEE Power & Energy Society General Meeting. Chicago, IL, USA, 2018: 1-5.

2025年第23卷第8期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.13234/j.issn.2095-2805.2025.8.145

接收时间：2024-06-19
首发时间：2026-10-26
出版时间：2025-12-30

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-06-19
修回日期：2024-07-11
录用日期：2024-07-18

基金

National Natural Science Foundation of China(52277012)

国家自然科学基金资助项目(52277012)

Interdisciplinary Program of Wuhan National High Magnetic Field Center(WHMFC202202)

武汉强磁场学科交叉基金资助项目(WHMFC202202)

作者信息

^1.三峡大学电气与新能源学院，宜昌　443002

^2.智慧能源技术湖北省工程研究中心（三峡大学），宜昌　443002

^3.国网湖北省电力有限公司营销服务中心（计量中心），武汉　443080

通讯作者:

李振华（1986—　），男，通信作者，博士，教授。研究方向：电磁测量与传感，电力设备状态监测技术。Email：lizhenhua1993@163.com。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dyxb/CN/10.13234/j.issn.2095-2805.2025.8.145

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT