一种充电桩功率预测方法、装置、电子设备及存储介质

本申请涉及电车充电，具体涉及一种充电桩功率预测方法、装置、电子设备及存储介质。

背景技术：

1、电动汽车(ev)的广泛采用正在迅速改变交通系统，然而，电动汽车充电需求的增加对电网的稳定性和高效电源管理提出了重大挑战。电动汽车充电网络(以下简称充电网络)在促进向电动交通的过渡中发挥着关键作用，需要准确而强大的负荷预测技术来预测未来的电力需求，并确保是可靠和可持续的充电基础设施。

2、准确的充电网络负荷预测对于电网运营商来说，有利于缓解峰值需求压力、优化发电和配电资源以有效满足电动汽车充电需求。在规划和投资决策中，可靠的预测是基础设施扩建和升级的关键输入，确保有足够的容量和弹性来支持不断增长的电动汽车车队。此外，充电网络负荷预测成为为消费者提供个性化的充电成本洞察和鼓励行为调整以平坦负荷曲线的基础，从而提高电网效率和最小化充电费用。

3、大多数现有方法，在表示学习期间，统一处理充电网络网络中所有节点及节点间相互连接，忽略了限制其预测准确性的两个关键方面。首先，现有方法没有区分相关性和真正的因果关系，这可能会导致不那么稳健和可解释的预测，特别是随着网络动态的演变。其次，现有方法没有认识到某些充电网络节点可能对整个网络负载行为产生不成比例的更大影响。由于在预测过程中没有明确确定和利用这些有影响的“关键”节点的独特作用，可能没有充分利用关键信息，导致性能下降和信息不足，造成传统预测方法的预测结果很难做到精准的预测。

技术实现思路

1、本申请的目的是提供一种充电桩功率预测方法、装置、电子设备及存储介质，能够提高充电功率预测结果的准确性和可靠性。

2、第一方面，本申请实施例提供了一种充电桩功率预测方法，包括：

3、获取待检测充电桩的实时充电功率数据；

4、将所述实时充电功率数据输入至预先训练好的充电功率预测模型中，以获取所述待检测充电桩的充电功率预测结果；其中，所述充电功率预测模型是通过所述充电桩所在的充电网络的历史充电功率数据样本对因果感知动态图神经网络进行训练得到的。

5、在本申请的一些实施方式中，按照以下方式预先训练得到所述充电功率预测模型：

6、获取充电网络中各个充电桩的历史充电功率数据，对所述历史充电功率数据进行预处理后，得到历史充电功率数据样本；

7、将所述历史充电功率数据样本输入所述因果感知动态图神经网络进行训练，在达到预设训练截止条件后得到所述充电功率预测模型。

8、在本申请的一些实施方式中，所述因果感知动态图神经网络包括：

9、因果关系图学习模块，用于根据所述历史充电功率数据样本构建充电桩之间的因果关系图，并对所述因果关系图执行动态图卷积操作，得到因果关系表示；

10、关键关系图学习模块，用于识别充电网络中有影响力的关键节点，以关键节点为组成元素构建关键关系图，并对所述关键关系图执行动态图卷积操作，得到关键关系表示；其中，节点表示充电网络中的充电桩；

11、时间表示融合模块，用于将所述因果关系表示和所述关键关系表示进行时间表示融合，得到精炼时间表示；

12、输出层，用于根据所述精炼时间表示生成预测结果。

13、在本申请的一些实施方式中，所述因果关系图学习模块，具体用于：

14、对输入的所述历史充电功率数据样本进行归一化处理，得到归一化数据样本；

15、基于归一化数据样本时间片段贪婪等价搜索框架发现所述归一化数据样本中的因果关系，根据所述因果关系构建充电桩之间的因果关系图；

16、其中，所述归一化数据样本时间片段贪婪等价搜索框架是基于广义得分函数和传统贪婪等价搜索算法构建的。

17、在本申请的一些实施方式中，所述关键关系图学习模块，具体用于：

18、采用基于历史负载依赖关系的中心性度量，评估每个节点的中心性分数，将中心性分数落在排序较高的预设比例内的节点视为关键节点。

19、在本申请的一些实施方式中，所述时间表示融合模块，具体用于：

20、通过channel-wise将所述因果关系表示和所述关键关系表示组合起来，得到组合特征，将两个时间1维卷积层应用于所述组合特征，得到精炼时间表示。

21、在本申请的一些实施方式中，所述输出层包括多层感知器。

22、第二方面，本申请实施例提供了一种充电桩功率预测装置，包括：

23、获取模块，用于获取待检测充电桩的实时充电功率数据；

24、预测模块，用于将所述实时充电功率数据输入至预先训练好的充电功率预测模型中，以获取所述待检测充电桩的充电功率预测结果；其中，所述充电功率预测模型是通过所述充电桩所在的充电网络的历史充电功率数据样本对因果感知动态图神经网络进行训练得到的。

25、第三方面，本申请提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现如第一方面所述的方法。

26、第四方面，本申请实提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如第一方面所述的方法。

27、相较于现有技术，本申请提供的充电桩功率预测方法，通过获取待检测充电桩的实时充电功率数据；将所述实时充电功率数据输入至预先训练好的充电功率预测模型中，以获取所述待检测充电桩的充电功率预测结果；其中，所述充电功率预测模型是通过所述充电桩所在的充电网络的历史充电功率数据样本对因果感知动态图神经网络进行训练得到的。本申请的充电功率预测模型基于因果感知动态图神经网络得到，可以明确地模拟充电网络负荷预测中关键节点之间的因果关系和动态，与传统充电功率预测方法相比，本申请提出的方法可以生成精确的充电功率预测结果，为电网的高效管理和资源优化提供了可靠依据。

技术特征：

1.一种充电桩功率预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，按照以下方式预先训练得到所述充电功率预测模型：

3.根据权利要求2所述的方法，其特征在于，所述因果感知动态图神经网络包括：

4.根据权利要求3所述的方法，其特征在于，所述因果关系图学习模块，具体用于：

5.根据权利要求3所述的方法，其特征在于，所述关键关系图学习模块，具体用于：

6.根据权利要求3所述的方法，其特征在于，所述时间表示融合模块，具体用于：

7.根据权利要求3所述的方法，其特征在于，所述输出层包括多层感知器。

8.一种充电桩功率预测装置，其特征在于，包括：

9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时以实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7任一项所述的方法。

技术总结
本申请提供一种充电桩功率预测方法、装置、设备及存储介质，涉及电车充电技术领域。其中方法包括：获取待检测充电桩的实时充电功率数据；将所述实时充电功率数据输入至预先训练好的充电功率预测模型中，以获取所述待检测充电桩的充电功率预测结果；其中，所述充电功率预测模型是通过所述充电桩所在的充电网络的历史充电功率数据样本对因果感知动态图神经网络进行训练得到的。本申请的充电功率预测模型基于因果感知动态图神经网络得到，可以明确地模拟充电网络负荷预测中关键节点之间的因果关系和动态，与传统充电功率预测方法相比，本申请提出的方法可以生成精确的充电功率预测结果，为电网的高效管理和资源优化提供了可靠依据。

技术研发人员：王智谨,胡樾,黄耀辉,吴森镇,陈愉,何昕昊,付永钢,陈志荣
受保护的技术使用者：集美大学
技术研发日：
技术公布日：2024/12/30