使用 IVY-VMD-TCN-BiLSTM 模型并进行跨区评估的电动汽车充电负荷时序预测

为何电动车充电模式很重要

随着电动汽车在城市街道上日益普及，它们的充电习惯可能以突发且难以预测的方式给本地电网带来压力。提前知道司机何时何地会插电，对维持供电、避免昂贵的电网升级以及为司机提供便捷的充电选项至关重要。本研究提出了一种新的方法，用于在大城市中预测短期电动汽车充电需求，旨在帮助电力机构以更高精度提前规划。

从简单猜测到数据丰富的预测

早期的预测方法常尝试用简化规则或概率模型来描述人们的出行与充电行为。这些方法在现代城市中力不从心，因为充电站分布不均且行为会随交通、天气和价格变化。作者转而使用能从大规模数据集中直接学习模式的数据驱动工具。他们使用来自中国深圳 275 个区域的真实充电记录，以及温度、湿度、站点占用率和价格等信息，构建出更灵活的预测系统，以适应复杂的城市环境。

将嘈杂信号分解为更清晰的部分

电动汽车充电需求会因工作时间表、周末、节假日和天气而出现剧烈波动，这使得预测变得困难。为应对这一点，研究首先通过先进的信号处理步骤清理并重构负荷数据。该方法称为变分模态分解，它将原始充电曲线拆分为若干更简单的成分，每个成分捕捉特定的节律或模式。一种受自然启发的搜索过程——模拟常春藤植物向光生长的方式——会自动选择要提取的成分数量及其精化时长。这样可以减少猜测、滤除噪声并突出数据中隐藏的规律性周期。

让两种时间感知网络协同工作

一旦充电信号被分解为更平滑的片段，每个片段都会被输入到一个结合两类神经网络的预测引擎中。第一种，时序卷积网络（TCN），擅长通过沿时间轴滑动小型滤波器来识别短期和中期趋势。第二种，双向长短期记忆网络（BiLSTM），同时向前和向后观察时间，以理解过去与预期模式之间的联系。相同的常春藤启发优化器会微调该组合模型的关键参数，例如滤波器数量和防止过拟合的强度，使其在学习复杂模式的同时保持稳定。

该方法在真实城市中的表现如何

为测试该方法，作者使用六个月的逐小时数据训练并比较了模型的若干变体。他们表明，包含分解步骤和经过优化的双网络的完整流程，比简单模型或用其他常见搜索过程调优的模型能更准确地预测未来充电负荷。预测误差约为基础神经网络的一半，且模型能更好地追踪尖峰和低谷。研究人员还检验了该方法在不同类型社区中的表现，例如以住宅为主的区域和繁忙的商业区，这些区域的充电节律差异很大。

这对电网和司机意味着什么

研究发现，该新方法既能捕捉平滑的日常循环，也能识别充电行为的突发变化，在以家庭为中心和以商业为中心的街区都能达到与真实数据的高度吻合。尽管交通快速变化的商业区仍然具有更强挑战性，但准确性仍然保持较高。对非专业读者来说，核心信息是：通过谨慎地清洗数据并让两种互补的学习工具协同工作，公用事业公司可以获得对短期电动汽车充电需求更清晰的预判。这一见解可支持更智能的定价、更合理的充电站选址与运营，以及随着电动汽车普及而更可靠的电网服务。

引用: Zhang, W., Ma, B. & Wang, D. Temporal forecasting of electric vehicle charging load using an IVY-VMD-TCN-BiLSTM model with cross-zone evaluation. Sci Rep 16, 16101 (2026). https://doi.org/10.1038/s41598-026-47962-0

关键词: 电动汽车充电, 负荷预测, 智能电网, 时间序列建模, 城市能源规划