2026年 05期

摘要(Abstract)：

针对高速公路服务区电动汽车充电负荷存在的非线性、非平稳性及强随机波动性导致负荷预测准确率偏低的问题，提出一种基于麻雀搜索算法(SSA)优化的完全集成经验模态分解(CEEMDAN)-Transformer-双向门控循环单元(BiGRU)的充电负荷预测模型。首先采用CEEMDAN对原始充电负荷序列进行分解，得到若干平稳的模态分量(IMF);然后采用基于复杂度与时序相似性的相似分量聚类共享模型策略，结合样本熵(SE)与动态时间规整(DTW)算法进行IMF分组，对高频分量采用Transformer-BiGRU组合模型，其中Transformer依托自注意力机制捕捉长程时序依赖，结合BiGRU提取局部时序变化规律，并通过SSA优化该模型超参数，其余分量采用BiGRU模型，借助相似分量聚类共享模型策略提升运算效率。采用山东高速公路某服务区充电站A订单数据进行充电负荷预测实验，将所提模型与几种传统时序预测模型进行多维度对比验证。结果表明，CEEMDAN分解可降低原始充电负荷序列的复杂度；基于SE与DTW的相似分量聚类共享模型策略能够对IMF进行相似聚类分组，差异化预测模型可匹配各组分量时序特征。相较于各类对比模型，所提模型的充电负荷预测结果平均绝对误差、均方根误差均为最优，预测精度显著提升；同时相似分量聚类共享模型策略使整体计算耗时减少61.9%,有效平衡了预测精度与计算成本。

关键词(KeyWords)：智能交通;充电负荷;模态分解;聚类共享;电动汽车

基金项目(Foundation):国家自然科学基金项目(62573272);; 山东省交通规划设计院集团科技创新项目(KJ-2023-SJYJT-06)

作者(Author):阎俏,魏宏涛,彭伟,包西勇,刘亚囡

DOI:10.13349/j.cnki.jdxbn.20260708.002

参考文献(References)：

[1] 蔡海青，代伟，赵静怡，等.基于多参数规划的电动汽车充电站有效容量评估方法[J].中国电力，2022,55(11):175.

[2] 张夏韦，梁军，王要强，等.电动汽车充电负荷时空分布预测研究综述[J].电力建设，2023,44(12):161.

[3] 翁志鹏，周京华，李津，等.面向电动汽车有序充放电研究综述[J].科学技术与工程，2023,23(14):5827.

[4] Dai Qian,Cai Tao,Duan Shanxu,et al.Stochastic modeling and forecasting of load demand for electric bus battery-swap station[J].IEEE Transactions on Power Delivery,2014,29(4):1909.

[5] 杨露，张奕源.不同场景下出行链模式与充电选择的影响关系[J].公路交通科技，2024,41(9):36.

[6] Kong Weicong,Dong Zhaoyang,Jia Youwei,et al.Short-term residential load forecasting based on LSTM recurrent neural network[J].IEEE Transactions on Smart Grid,2017,10(1):841.

[7] Wang Shengyou,Zhuge Chengxiang,Shao Chunfu,et al.Short-term electric vehicle charging demand prediction:a deep learning approach[J].Applied Energy,2023,340:121032.

[8] 岳有军，吴明沅，王红君，等.基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测[J].南京信息工程大学学报，2024,16(2):231.

[9] 姚浩然，李成鑫，郑秀娟，等.集成自适应啁啾模态分解和BiLSTM的短期负荷组合预测模型[J].电力系统保护与控制，2022,50(19):58.

[10] Kuster C,Rezgui Y,Mourshed M.Electrical load forecasting models:a critical systematic review[J].Sustainable Cities and Society,2017,35:257.

[11] Wang Zhiheng,Liu Jianhua.Flamingo search algorithm:a new swarm intelligence optimization algorithm[J].IEEE Access,2021,9:88564.

[12] 沈旃葳，吴细秀，罗格帅，等.基于EMD-BiLSTM的短期电力负荷预测研究[J].武汉理工大学学报，2024,46(2):141.

[13] 雷炳银，王子驰，苏雨晴，等.基于EEMD-CS-LSSVM 的短期负荷预测方法研究[J].电力系统及其自动化学报，2021,33(9):117.

[14] 刘旭丽，莫毓昌，吴哲，等.基于DWT-CNN-LSTM的超短期光伏发电功率预测[J].郑州大学学报(理学版),2022,54(4):86.

[15] 王振浩，王翀，成龙，等.基于集合经验模态分解和深度学习的光伏功率组合预测[J].高电压技术，2022,48(10):4133.

[16] 朱婷，颜七笙.基于CEEMDAN和HBA-BiGRU-SelfAttention的短期负荷预测[J].南京信息工程大学学报，2025,17(4):478.

[17] 沈海波，王凌梓，邓力源，等.基于CEEMDAN-PCA-BiLSTM-LSTNet的短期风电功率组合预测模型[J].可再生能源，2025,43(7):902.

[18] 人民公安报.全国机动车保有量达4.53亿辆驾驶人达5.42亿人[EB/OL].(2025-01-18)[2025-05-25].https://www.mps.gov.cn/n2254314/n6409334/c9939035/content.html.

[19] 姚芳，汤俊豪，陈盛华，等.基于ISSA-CNN-GRU模型的电动汽车充电负荷预测方法[J].电力系统保护与控制，2023,51(16):158.

[20] Zhu Juncheng,Yang Zhile,Guo Yuanjun,et al.Short-term load forecasting for electric vehicle charging stations based on deep learning approaches[J].Applied sciences,2019,9(9):1723.

[21] Torres M E,Colominas M A,Schlotthauer G,et al.A complete ensemble empirical mode decomposition with adaptive noise[C]//IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP),May 22-27,2011,Prague,Czech Republic.New York:IEEE,2011:4144.

[22] Song Keyu,Yu Yang,Zhang Tengfei,et al.Short-term load forecasting based on CEEMDAN and dendritic deep learning[J].Knowledge-Based Systems,2024,294:111729.

[23] Nascimento E G S,de Melo T A C,Moreira D M.A transformer-based deep neural network with wavelet transform for forecasting wind speed and wind energy[J].Energy,2023,278:127678.

[24] Yu Dakuan,Qiao Xueguang,Wang Xiangyu.Light intensity optimization of optical fiber stress sensor based on SSA-LSTM model[J].Frontiers in Energy Research,2022,10:972437.

[25] Luo Yuqi,Fang Xinyi,Ke Wei,et al.An algorithm for improving lower bounds in dynamic time warping[J].Expert Systems with Applications,2025,279:127405