本申請涉及電動汽車充電站負荷功率預測領域，具體涉及一種基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法及裝置。

背景技術：

1、隨著電動汽車的快速發(fā)展，充電基礎設施建設也日益重要。準確預測充電站的用電負荷對于合理規(guī)劃充電基礎設施，提高電網(wǎng)調(diào)度效率以及降低充電基礎設施建設和運營成本都具有重要意義。一方面，它可以幫助充電站運營商合理安排充電資源的分配，優(yōu)化電站的日常運營管理；另一方面，它也為上級電網(wǎng)提供了重要的調(diào)度參考，有助于平衡電網(wǎng)負荷，確保電網(wǎng)的穩(wěn)定與安全。電動汽車充電站的負載功率受多種因素影響，包括但不限于電動車的隨機充電需求、時間段變化、戶行為模式、天氣條件等。這些因素使得負載功率的時間序列數(shù)據(jù)具有高度的非線性、動態(tài)性和隨機性，給準確的充電站負荷功率預測帶來了極大的挑戰(zhàn)。

2、針對電動汽車充電站的負荷功率預測問題，主要可以分為3種方法：基于統(tǒng)計模型的預測方法、基于物理模型的預測方法和基于機器學習的預測方法?；诮y(tǒng)計模型的預測方法通常采用時間序列分析、markov鏈等統(tǒng)計模型對充電負荷進行預測，但無法充分捕捉復雜的用電行為模式和非線性特征。由于電動汽車充電行為受多種因素影響，存在顯著的季節(jié)性、周期性和隨機性，基于統(tǒng)計模型的預測方法難以準確刻畫這些復雜的特征，預測準確性較低。

3、基于物理模型的方法主要指構建描述充電站運營的物理規(guī)律模型，如車輛駕駛行為、電池特性、充電設施特性等，再結合蒙特卡洛仿真等技術進行負荷預測。該方法通常需要大量的充電站運行參數(shù)和環(huán)境數(shù)據(jù)作為輸入，但這些信息在實際應用中很難完全獲取，建模過程復雜，計算復雜度高，難以滿足電網(wǎng)調(diào)度的實時性需求。

4、基于機器學習的方法是指利用歷史充電數(shù)據(jù)和相關特征，應用線性回歸、決策樹、支持向量機、神經(jīng)網(wǎng)絡等機器學習算法進行充電負荷預測建模，雖然能夠一定程度上捕捉非線性特征，但無法充分挖掘時序數(shù)據(jù)中的復雜模式和長短期依賴關系。電動車充電行為具有顯著的時序特性，傳統(tǒng)機器學習模型的時序建模能力有限，導致預測準確率無法滿足要求；同時模型的計算復雜度以及實時性缺陷，也是阻礙其應用于實際電網(wǎng)調(diào)度的重要原因。

5、基于上述，現(xiàn)有的充電站負荷功率預測方法難以很好地捕捉這些非線性因素，無法充分挖掘時序數(shù)據(jù)中的復雜模式和長短期依賴關系，影響預測準確性。

技術實現(xiàn)思路

1、本申請?zhí)峁┝艘环N基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，以解決現(xiàn)有技術中，現(xiàn)有的充電站負荷功率預測方法難以很好地捕捉這些非線性因素，無法充分挖掘時序數(shù)據(jù)中的復雜模式和長短期依賴關系，影響預測準確性的問題。

2、相應的，本申請還提供了一種基于iceemdan-timesnet的電動汽車充電站負荷功率預測裝置、一種電子設備、一種計算機可讀存儲介質(zhì)，用于保證上述方法的實現(xiàn)及應用。

3、為了解決上述技術問題，本申請公開了一種基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，所述方法包括：

4、獲取歷史充電站負荷功率數(shù)據(jù)和特征變量；

5、采用iceemdan分解算法對歷史充電站負荷功率數(shù)據(jù)進行分解，提取不同時間尺度上的固有模態(tài)函數(shù)和殘差；

6、基于固有模態(tài)函數(shù)、殘差和特征變量確定timesnet模型的輸入數(shù)據(jù)；

7、利用timesnet模型提取輸入數(shù)據(jù)的時序變化表征，并基于時序變化表征預測未來充電站負荷功率。

8、本申請還公開了一種基于iceemdan-timesnet的電動汽車充電站負荷功率預測裝置，所述裝置包括：

9、數(shù)據(jù)獲取模塊，用于獲取歷史充電站負荷功率數(shù)據(jù)和特征變量；

10、數(shù)據(jù)處理模塊，用于采用iceemdan分解算法對歷史充電站負荷功率數(shù)據(jù)進行分解，提取不同時間尺度上的固有模態(tài)函數(shù)和殘差；

11、數(shù)據(jù)處理模塊，還用于基于固有模態(tài)函數(shù)、殘差和特征變量確定timesnet模型的輸入數(shù)據(jù)；

12、預測輸出模塊，用于利用timesnet模型提取輸入數(shù)據(jù)的時序變化表征，并基于時序變化表征預測未來充電站負荷功率。

13、本申請還公開了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執(zhí)行程序時實現(xiàn)本申請中一個或多個所述的方法。

14、本申請還公開了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如本申請中一個或多個所述的方法。

15、本申請中，獲取歷史充電站負荷功率數(shù)據(jù)和特征變量，采用iceemdan分解算法，能夠將歷史充電站負荷功率數(shù)據(jù)進行分解成多個固有模態(tài)函數(shù)，基于固有模態(tài)函數(shù)、殘差和特征變量確定timesnet模型的輸入數(shù)據(jù)，可以為timesnet模型中時間序列預測建模提供更加豐富和有效的特征輸入，有助于提高預測的準確性和魯棒性。利用timesnet模型提取輸入數(shù)據(jù)的時序變化表征，并基于時序變化表征預測未來充電站負荷功率，能夠更好地捕捉復雜的非線性模式和長短期依賴關系?；谏鲜觯旧暾垖嵤├C合了時間序列分析和深度學習的優(yōu)勢，具有更強的非線性建模能力和時序特征提取能力，能夠更好地刻畫充電負荷數(shù)據(jù)的復雜時間動態(tài)特，同時還具有更低的參數(shù)依賴性和更強的泛化能力，可以提高預測準確性，增強對大規(guī)模數(shù)據(jù)的建模能力，并實現(xiàn)實時高效的負荷預測，為電力系統(tǒng)管理提供更有價值的支持。

16、本申請附加的方面和優(yōu)點將在下面的描述部分中給出，這些將從下面的描述中變得明顯，或通過本申請的實踐了解到。

技術特征：

1.一種基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，其特征在于，所述方法包括：

2.根據(jù)權利要求1所述的基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，其特征在于，所述采用iceemdan分解算法對所述歷史充電站負荷功率數(shù)據(jù)進行分解，提取不同時間尺度上的固有模態(tài)函數(shù)和殘差，包括：

3.根據(jù)權利要求1所述的基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，其特征在于，所述基于所述固有模態(tài)函數(shù)、所述殘差和所述特征變量確定timesnet模型的輸入數(shù)據(jù)，包括：

4.根據(jù)權利要求1所述的基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，其特征在于，所述利用timesnet模型提取所述輸入數(shù)據(jù)的時序變化表征，并基于所述時序變化表征預測未來充電站負荷功率，包括：

5.根據(jù)權利要求4所述的基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，其特征在于，所述利用所述timesnet模型的編碼器提取所述輸入數(shù)據(jù)的時序特征，包括：

6.根據(jù)權利要求1所述的基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，其特征在于，所述獲取歷史充電站負荷功率數(shù)據(jù)和特征變量，包括：

7.根據(jù)權利要求1所述的基于iceemdan-timesnet的電動汽車充電站負荷功率預測方法，其特征在于，所述利用所述timesnet模型的解碼器對所述時序特征進行預測，獲得未來各個時間步的固有模態(tài)函數(shù)，包括：

8.一種基于iceemdan-timesnet的電動汽車充電站負荷功率預測裝置，其特征在于，所述裝置包括：

9.一種電子設備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)權利要求1-7中任一項所述的方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)實現(xiàn)權利要求1-7中任一項所述的方法。

技術總結
本申請涉及電動汽車充電站負荷功率預測領域，公開了一種基于ICEEMDAN?TimesNet的電動汽車充電站負荷功率預測方法及裝置，獲取歷史充電站負荷功率數(shù)據(jù)和特征變量；采用ICEEMDAN分解算法對歷史充電站負荷功率數(shù)據(jù)進行分解，提取不同時間尺度上的固有模態(tài)函數(shù)和殘差；基于固有模態(tài)函數(shù)、殘差和特征變量確定TimesNet模型的輸入數(shù)據(jù)；利用TimesNet模型提取輸入數(shù)據(jù)的時序變化表征，并基于時序變化表征預測未來充電站負荷功率。綜合了時間序列分析和深度學習的優(yōu)勢，具有更強的非線性建模能力和時序特征提取能力，能夠更好地刻畫充電負荷數(shù)據(jù)的復雜時間動態(tài)特，同時還具有更低的參數(shù)依賴性和更強的泛化能力，可以提高預測準確性，增強對大規(guī)模數(shù)據(jù)的建模能力，并實現(xiàn)實時高效的負荷預測。

技術研發(fā)人員：鄭春花,伍思佩,伏圣祥
受保護的技術使用者：中國科學院深圳先進技術研究院
技術研發(fā)日：
技術公布日：2025/1/2