买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北工业大学

摘要：本发明公开了一种基于DSTGLM‑TCN‑GCN的电动汽车充电站群短期负荷预测方法，首先获取待预测区域电动汽车充电站群历史时期的负荷序列，并对缺失值、异常值进行填补；对负荷序列进行归一化处理，将归一化后的负荷序列按照时间窗口进行划分；然后，构建由动态时空图学习模块和TCN‑GCN模型组成的DSTGLM‑TCN‑GCN模型；多个连续时间步的负荷经过动态时空图学习模块进行处理，得到各个时间步的动态时空邻接矩阵；多个时间步的负荷和动态时空邻接矩阵同时输入到TCN‑GCN模型中，提取每个时间步的时空特征，时空特征经过全连接层，得到负荷预测结果；最后，对DSTGLM‑TCN‑GCN模型进行训练，将训练后的DSTGLM‑TCN‑GCN模型作为负荷预测模型，用于电动汽车充电站群短期负荷预测。通过动态时空邻接矩阵更好地描述电动汽车充电站群节点间关联程度的动态变化，有利于提高预测精度。

主权项：1.一种基于DSTGLM-TCN-GCN的电动汽车充电站群短期负荷预测方法，其特征在于，该方法包括以下步骤：步骤1：获取待预测区域电动汽车充电站群历史时期的负荷序列，并对缺失值、异常值进行填补；对负荷序列进行归一化处理，将归一化后的负荷序列按照时间窗口进行划分；步骤2：基于动态时空图学习模块和TCN-GCN模型构建DSTGLM-TCN-GCN模型；多个连续时间步的负荷经过动态时空图学习模块进行处理，得到各个时间步的动态时空邻接矩阵；多个时间步的负荷和动态时空邻接矩阵同时输入到TCN-GCN模型中，提取每个时间步的时空特征，时空特征经过全连接层，得到负荷预测结果；在动态时空图学习模块中，首先通过BiLSTM模块获取负荷的前向隐状态和后向隐状态；使用二维卷积神经网络对负荷进行处理，得到图节点嵌入；将负荷的前向隐状态、反向隐状态和图节点嵌入进行融合，得到图节点融合负荷；然后，将图节点融合负荷输入到GAT模块中进行注意力计算，得到加权邻接矩阵；同时，根据充电站节点间的距离计算充电站节点间的距离邻接系数，构建距离邻接矩阵；最后，计算加权邻接矩阵和距离邻接矩阵中各个元素的Shapley值，根据Shapley值计算权重，得到加权邻接矩阵和距离邻接矩阵的权重矩阵；将加权邻接矩阵和距离邻接矩阵以及对应的权重矩阵进行加权融合，得到动态时空邻接矩阵；步骤3：对DSTGLM-TCN-GCN模型进行训练，将训练后的DSTGLM-TCN-GCN模型作为负荷预测模型，用于电动汽车充电站群短期负荷预测。

全文数据：

权利要求：

百度查询： 河北工业大学 基于DSTGLM-TCN-GCN的电动汽车充电站群短期负荷预测方法