基于 SCLD 和 FCW 的区域电动汽车充电负荷预测

在全球能源转型以及电动汽车（EV）市场渗透率持续增长的背景下，准确预测电动汽车充电负荷对于保障电网安全稳定运行至关重要。现有的大多数预测方法依赖于采用大规模且连续历史数据训练的人工智能（AI）模型，这对电动汽车充电负荷数据的采集提出了严苛要求。为解决这一问题，本文提出了一种在小样本和非连续数据条件下的电动汽车充电负荷预测新方法。首先，利用局部动态时间规整（LDTW）距离表征电动汽车日充电负荷曲线之间的差异。并提出了一种基于 LDTW 距离的谱聚类算法（SCLD），以实现电动汽车日充电负荷模式的分类。其次，引入由输入特征经独热编码（one-hot encoding）后的极限梯度提升（XGBoost）派生出的特征相关权重（FCW），以量化区域属性和天气状况等特征对电动汽车日充电负荷的影响。随后，提出了一种基于 FCW 和汉明距离确定电动汽车日充电负荷类别的方法。在此基础上，通过基于类别判定的类内相似样本加权拟合，建立了电动汽车日充电负荷预测框架。最后，为了验证所提方法的有效性，利用上海市 16 个行政区在 2023 年至 2025 年间 62 个典型日的电动汽车充电负荷数据及相应特征数据进行了案例研究。结果表明，所提方法有效解决了小样本和非连续数据条件下电动汽车充电负荷预测的难题。