一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统

本发明涉及电动汽车，特别涉及一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统。

背景技术：

1、随着化石能源的枯竭和环境污染的日益严重，电动汽车作为一种高效绿色的新型交通工具得到了大力推广，相关的配套充电设施数量也增长迅速。在大量电动汽车充电站的部署进程中，充电负荷预测可以帮助充电站优化资源调度和规划，合理分配电力资源，确保充电站的经济运行，对充电站的经济运行和电力系统的稳定运行十分关键。

2、在建有充电站的地区，充电站将电力网络与运输网络连接起来，此时充电负荷预测不仅需要考虑充电站时间维度的历史负荷，还需要考虑邻近区域充电站的空间维度的地理位置信息。现有的一种图神经网络的预测方法，将图卷积层与长短时记忆层级联预测时空充电负荷，但是该模型采用的是基于固定位置拓扑的连接图，依赖相互连接关系无法充分提取相关性，而且该模型在训练阶段变化的时空特征和重要信息没有被注意到，对负荷预测的精度有着不容忽视的影响。

技术实现思路

1、针对现有技术中存在的不足，为提高各充电站充电负荷的预测精度，本发明提出了一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统，考虑了历史负荷、天气信息、节假日信息和电价信息等影响因素，充分挖掘了充电负荷的时空相关性，捕捉时空动态特征，在时间维度和空间维度上协同预测每个电动汽车充电站的充电负荷，提高了充电负荷的预测精度。

2、为解决上述技术问题，本发明提供的技术方案是：

3、一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法，包括以下步骤：

4、步骤s1，获取某一区域内充电站的历史负荷、气象数据、日期和经济因素的数据集，并对数据的特征进行筛选作为输入数据；

5、步骤s2，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征；

6、步骤s3，将时间卷积网络组件的输出经过注意力机制组件——时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息，包括某一区域内充电站的历史负荷、气象数据、日期和经济因素；

7、步骤s4，构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件；将时间卷积网络组件、注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层；

8、步骤s5，取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集，将训练集输入基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型；

9、步骤s1具体包括如下步骤：

10、1a).取预定时间段的某一区域充电站充电负荷的历史数据，数据类型包括历史负荷、气象数据、日期和经济因素；

11、1b).使用最大信息系数(mic)分析两个变量之间的线性或非线性相关性，并以与预测负荷的最大信息数大于等于0.3为筛选特征的阈值；

12、

13、其中imic为最大信息系数；pa(·)表示联合概率密度；dx和dy表示两个不同的特征变量；ax表示沿x轴划分的网格数；by表示沿y轴划分的网格数。

14、步骤s2具体包括如下步骤：

15、2a).将筛选后的特征数据送入输入层中，输入层由线性卷积构成，用于将数据转换成多维信息数据；

16、2b).将多维信息数据送入时空卷积层中，时空卷积层由时间卷积、注意力机制和多图卷积网络组件构成；使用时间卷积捕捉多维信息数据在时间维度上的信息，在此选用空洞因果卷积，其形式为：

17、

18、其中t表示时间步长；表示输入数据序列，即为经mic筛选后得到的特征值；表示滤波器；符号*表示标准卷积运算；膨胀系数ds表示跳跃的间隔；s表示卷积核大小；s为卷积核序号；

19、2c).将空洞因果卷积与门控机制结合，得到时间卷积组件：

20、hg＝σa(ψ1*χ)⊙σb(ψ2*χ)  (3)

21、其中hg表示时间卷积组件的输出；χ表示输入数据，为空洞因果卷积结果；⊙表示逐元素乘法运算符；σa表示sigmoid激活函数；σb表示tangent hyperbolic激活函数；ψ1和ψ2表示模型的参数。

22、步骤s3具体包括如下步骤：

23、3a).不同时间步长的充电负荷之间存在相关性，充电负荷在时间维度上的相关性是动态的，引入时间注意机制以自适应地将不同特征的重要性分配给输入，表示为ee：

24、

25、其中ee为时间注意力矩阵；表示第r个时空块的输入，n为充电站个数；cr-1为特征量个数，tr-1为时间值，xtr-1为所有充电站和特征在时间tr-1的值；和为可学习的参数；

26、获得时间维度的相关矩阵ee后，将ee中的ei,j送入到softmax函数以计算标准化注意力分布e′i,j：

27、

28、其中e′i,j为标准化的时间注意力矩阵中的元素，表示时间i和时间j之间的相关性权重；ei,j为时间注意力矩阵ee中的元素；

29、输入数据与标准化的注意力分布相乘，以便为每个时间步长的数据分配重要性值，输出值的计算方法如下：

30、

31、其中n是充电站数量，cr-1是特征数量，tr-1是时间值；为充电负荷经时间注意力处理后的在tr-1时的数据；

32、3b).由于不同站点的充电负荷之间的相互依赖性是高度动态的，采用空间注意力机制来捕捉充电站之间不同的特性，构成的空间相关矩阵，表示为ss：

33、

34、其中ss为空间注意力矩阵；为可学习的参数；

35、然后采用softmax函数对空间相关矩阵进行标准化：

36、

37、其中s′i,j是标准化空间注意力矩阵中的一个元素，表示充电站i和充电站j之间的相关性权重；si,j为空间注意力矩阵的元素；

38、3c).将空间维度的注意力矩阵应用于图卷积中的邻接矩阵，以在不同的权重下自动获得最佳性能。

39、步骤s4具体包括如下步骤：

40、4a).使用阈值高斯核函数定义由组成的距离矩阵ad，表示充电站之间几何位置相关性：

41、

42、其中为距离矩阵元素；di,j表示站点i和j之间的距离；参数和εd表示阈值，用于定义稀疏矩阵以降低时间和空间的复杂度；

43、4b).找到站点i和j之间充电负荷的欧几里得距离使用相似性元素来表示由于相似的充电模式而导致的相似负荷，最后定义由组成的相似性矩阵

44、

45、

46、其中为站点i和j之间充电负荷的欧几里得距离；xt,i表示充电站i在时间步长t处的充电负荷，t为总时间长度；xt,j表示充电站j在时间步长t处的充电负荷；σs表示用于控制观测值的衰退率；

47、4c).由距离矩阵构建生成物理图，由相似性矩阵构建生成虚拟图，将物理图和虚拟图结合在新的融合图中，通过对不同的图中元素的加权求和来生成新的图，得到多图卷积网络组件；具体如下：

48、l＝d-a为图的信号表示的拉普拉斯矩阵，其中a为邻接矩阵，d为度矩阵；对其进行标准化得到其中in为单位矩阵；对角矩阵表示为度矩阵，计算为dii＝∑jaij，其中aij为a中第i行j列元素，dii为d中第i行i列元素；

49、对l改写成特征值分解形式得到l＝uλu，u表示特征向量矩阵，表示特征值的对角矩阵；

50、对于给定时间步长t的充电负荷数据序列数据图的傅里叶变换可以表示为其逆变换表示为其中u是基于拉普拉斯定理的正交矩阵；

51、卷积形式可表示为：

52、gθ*gx＝f-1(f(gθ)⊙f(x))＝gθ(l)x＝gθ(uλut)x＝ugθ(λ)utx  (12)

53、其中f(·)和f-1(·)表示傅里叶函数及其逆变换；*g表示图卷积运算；gθ表示卷积核；x表示输入充电负荷数据序列；l为图的拉普拉斯矩阵；u表示拉普拉斯定理的特征向量矩阵；λ表示特征值的对角矩阵；

54、经典谱卷积运算量大，计算复杂度为o(n2)；使用切比雪夫多项式函数变换得到切比雪夫图卷积，可以降低计算复杂度，如下式所示：

55、

56、其中λmax表示l的最大特征值；gθ表示卷积核；*g表示图卷积运算；表示多项式系数；k表示当前邻居的信息更新阶数；k表示邻居信息更新的总阶数；x为充电负荷数据序列；⊙表示逐元素乘法运算符；ss'为标准化空间注意力矩阵；

57、根据切比雪夫多项式理论，函数表示为tk(x)＝2xtk-1(x)-tk-2(x)，其中t0(x)＝1，t1(x)＝x；通过调整参数k控制在节点中心捕获的数据量；

58、对图卷积层使用线性整流函数(relu)σc，得到σc(gθ*gx)；

59、在时间片tr-1上获得第r层的图卷积结果为：

60、

61、其中为输入数据；为充电负荷经时间注意力处理后的在tr-1时的数据；*g表示图卷积运算；gθ表示卷积核，σc为线性整流函数(relu)；进而使得图中的节点通过自身及其邻居的数据进行更新；

62、由距离矩阵ad得物理图卷积结果：

63、

64、其中ld为物理图的拉普拉斯矩阵；为物理图卷积结果；

65、由相似性矩阵as得虚拟图卷积结果：

66、

67、其中ls为虚拟图的拉普拉斯矩阵；为虚拟图卷积结果；

68、将权重参数乘以每个图的卷积并加和得到多图卷积网络组件的输出

69、

70、

71、其中为多图卷积结果；wd和ws表示可学习的参数；w′d和w′s表示物理图和虚拟图的标准化权重参数；σd为softmax函数；

72、4d).将时间卷积网络组件、注意力机制组件和多图卷积网络组件封装为一个时空模块；将时空模块堆叠构成时空卷积层，以扩展不同时间水平上的感受野和捕捉相关性；对时空模块添加跳过连接，用以提取每个时空模块中的不同特征，从而聚合数据并传输到输出层；并对时空卷积层使用残差连接解决网络退化的问题；

73、4e).将时空卷积层输出的数据送入输出层中，输出层由两个线性卷积函数和两个relu激活函数构成，用于将数据降维至输出维度，得到不同时间的各充电站充电负荷的预测结果。

74、步骤s5具体包括如下步骤：

75、5a).取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集；

76、5b).将训练集放入基于注意力的多图卷积网络中，得到不同时间的各充电站充电负荷的预测结果；构造损失函数，进行基于注意力的时空多图卷积网络模型的训练和参数的优化；

77、

78、其中loss表示损失函数；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；t表示预测值的总时间步长；n表示充电站的数量；

79、5c).评估基于注意力的时空多图卷积网络模型(stmgcn)的预测性能，选择均方误差(mse)、平均绝对误差(mae)、平均百分比误差(mape)和均方根误差(rmse)作为衡量指标：

80、

81、

82、

83、

84、其中mse为均方误差、mae为平均绝对误差、mape为平均百分比误差、rmse为均方根误差；表示在时间步长t处充电站n处的充电负荷实际值，表示在时间步长t处充电站n处的充电负荷预测值；t表示预测值的总时间步长；n表示充电站的数量。

85、一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测系统，包括：数据采集模块、特征提取模块和负荷预测模块；

86、数据采集模块用于采集设定时间和区域内充电站的历史负荷、气象数据、日期和经济因素的数据，存放于数据库中；

87、特征提取模块用于从采集的数据中筛选网络模型所需要的特征数据，然后进行标准化处理，作为输入数据；

88、负荷预测模块用于构建基于注意力的多图卷积网络模型，通过构造时间卷积网络组件捕捉输入数据在时间维度上的特征；将时间卷积网络组件的输出经过注意力机制组件——时间注意力机制和空间注意力机制，分别捕捉数据在时间和空间维度上的重要信息；构造区域内充电站之间的地理位置相关性的物理图和充电负荷相关性的虚拟图，得到多图卷积网络组件；将时间卷积网络组件、注意力机制组件和多图卷积组件封装为一个时空模块，通过堆叠多个时空模块，得到时空卷积层；取预定时间段的某一区域充电站充电负荷的历史数据，选取输入特征，构造训练集、验证集和测试集，将训练集输入基于注意力的时空多图卷积网络模型，对模型进行训练，采用验证集调整超参数；经测试集测试完成后得到成熟的基于注意力的时空多图卷积网络的电动汽车充电站负荷预测模型。

89、与现有技术相比，本发明的有益效果是：

90、本发明考虑了充电负荷的时间维度和空间维度的相关性，构建了蕴含交通和地理位置因素的充电负荷的时空图结构负荷模型。通过门控空洞因果卷积来捕捉数据的时间特征，将时空注意力机制与卷积运算相结合，引入了基于物理图和虚拟图的时空多图卷积网络，该网络可以直接提取充电负荷在时空维度上的动态相关性特征，实现对每个电动汽车充电站的充电负荷的协同预测。

91、相比于现有技术中的充电负荷图神经网络的预测方法，本发明基于地理位置和人类领域知识构建不同的图来捕捉充电站点之间不同的依赖关系。而且，采用了时空注意机制，直接关注重要数据，预测精度得到了提高。