基于LSTM-FC模型的充电站短期运行状态预测

doi:10.12141/j.issn.1000-565X.240219

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (2): 58-67.doi: 10.12141/j.issn.1000-565X.240219

基于LSTM-FC模型的充电站短期运行状态预测

毕军¹^,², 王嘉宁¹, 王永兴¹

^1.北京交通大学交通运输学院，北京 100044
^2.北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044

收稿日期:2024-05-06 出版日期:2025-02-25 发布日期:2025-02-03
通信作者: 王永兴（1990—），男，博士，讲师，主要从事电动汽车运行管理等研究。 E-mail:yx.wang@bjtu.edu.cn
作者简介:毕军（1973—），男，博士，教授，主要从事大数据智能交通决策等研究。E-mail： jbi@bjtu.edu.cn
基金资助:
国家自然科学基金项目(72171019)

Short-Term Operation State Prediction of Charging Station Based on LSTM-FC Model

BI Jun¹^,², WANG Jianing¹, WANG Yongxing¹

^1.School of Traffic and Transportation，Beijing Jiaotong University，Beijing 100044，China
^2.Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport，Beijing Jiaotong University，Beijing 100044，China

Received:2024-05-06 Online:2025-02-25 Published:2025-02-03
Contact: 王永兴（1990—），男，博士，讲师，主要从事电动汽车运行管理等研究。 E-mail:yx.wang@bjtu.edu.cn
About author:毕军（1973—），男，博士，教授，主要从事大数据智能交通决策等研究。E-mail： jbi@bjtu.edu.cn
Supported by:
the National Natural Science Foundation of China(72171019)

摘要/Abstract

摘要：

公共充电站可用充电桩数量预测对于制定智能充电推荐策略和减少用户的充电排队时间具有重要意义。现阶段充电站运行状态研究通常集中于充电负荷预测，对于站内充电桩占用情况的研究较少，同时缺乏实际数据支撑。为此，基于充电站实际运行数据，提出一种基于长短时记忆（LSTM）网络与全连接（FC）网络结合的充电站内可用充电桩预测模型，有效结合了历史充电状态序列和相关特征。首先，将兰州市某充电站的订单数据转化为可用充电桩数量，并进行数据预处理；其次，提出了基于LSTM-FC的充电站运行状态预测模型；最后，将输入步长、隐藏层神经元数量和输出步长3种参数进行单独测试。为验证LSTM-FC模型的预测效果，将该模型与原始LSTM网络、BP神经网络模型和支持向量回归（SVR）模型进行对比。结果表明：LSTM-FC模型的平均绝对百分比误差分别降低了0.247、1.161和2.204个百分点，具有较高的预测精度。

关键词: LSTM神经网络, 全连接网络, 电动汽车, 充电站运行状态

Abstract:

The prediction of the number of available charging piles in public charging stations is of great significance for the formulation of intelligent charging recommendation strategy and the reduction of users’ charging queue time. At present, the research on the operating state of charging stations typically focuses on charging load forecasting, with relatively little attention given to the utilization of charging piles within the stations. Additionally, there is a lack of support from real-world data. Therefore, based on the actual operation data of charging stations, this paper proposed a prediction model of available charging piles in charging stations based on the combination of long short-term memory network (LSTM) and fully connected network (FC), which effectively combines the historical charging state sequence and related features. Firstly, the order data from a specific charging station in Lanzhou was transformed into the number of available charging piles, followed by data preprocessing. Secondly, an LSTM-FC-based predictive model for the operational status of the charging station was proposed. Finally, three parameters—input step size, number of hidden layer neurons, and output step size—were individually tested. To validate the predictive performance of the LSTM-FC model, it was compared with the original LSTM network, BP neural network model, and support vector regression (SVR) model. The results show that the mean absolute percentage error of LSTM-FC model is reduced by 0.247%, 1.161% and 2.204% respectively, which shows high prediction accuracy.

Key words: long short-term memory neural network, fully connected network, electric vehicles, charging station operating status

中图分类号:

U491.8

毕军, 王嘉宁, 王永兴. 基于LSTM-FC模型的充电站短期运行状态预测[J]. 华南理工大学学报(自然科学版), 2025, 53(2): 58-67.

BI Jun, WANG Jianing, WANG Yongxing. Short-Term Operation State Prediction of Charging Station Based on LSTM-FC Model[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(2): 58-67.

图/表 13

表1

图1

图2

图3

图4

表2

LSTM-FC模型参数设置"

参数	数值
学习率	0.01
迭代次数	25，50，75，100
LSTM单元隐层神经元	50
全连接单元隐层神经元	5，10，20
输入步长 $S 1$	12
输出步长 $S 2$	1
批量大小	16，32，64，128
丢弃率	0.2
优化器	Adam
损失函数	E_MAE

表2

表3

图5

表4

图6

表5

图7

表6

参考文献 15

1	AMINI M H， KARGARIAN A， KARABASOGLU O ．ARIMA-based decoupled time series forecasting of electric vehicle charging demand for stochastic power system operation［J］．Electric Power Systems Research，2016，140（11）：378-390.
2	DABBAGHJAMANESH M， MOEINI A， Kavousi-Fard A ．Reinforcement learning-based load forecasting of electric vehicle charging station using Q-learning technique［J］．IEEE Transactions on Industrial Informatics，2020，17（6）：4229-4237.
3	SU Z， YU Z， MA L，et al ．Short-term load prediction of electric vehicle charging station based on long-short-term memory neural network［C］∥ Proceeding of the 2023 4th International Conference on Computer Engineering and Intelligent Control （ICCEIC）．Guangzhou：IEEE，2023：595-599.
4	FENG J， YANG J， LI Y，et al ．Load forecasting of electric vehicle charging station based on grey theory and neural network［J］．Energy Reports，2021，7：487-492.
5	ZHU J， YANG Z， GUO Y，et al ．Short-term load forecasting for electric vehicle charging stations based on deep learning approaches［J］．Applied Sciences，2019，9（9）：1723.
6	张洪财，胡泽春，宋永华，等．考虑时空分布的电动汽车充电负荷预测方法［J］．电力系统自动化，2014，38（1）：13-20.
	ZHANG Hong-cai， HU Ze-chun， SONG Yong-hua，et al ．A prediction method for electric vehicle charging load considering spatial and temporal distribution［J］．Automation of Electric Power Systems，2014，38（1）：13-20.
7	左逸凡，李伟豪，杨伟．考虑充电负荷时空分布特性的EV充电站规划［J］．电测与仪表，2022，8：1-10
	ZUO Yifan， LI Weihao， YANG Wei ．EV charging station planning considering space-time distribution characteristics of charging load［J］Electrical Measurement & Instrumentation，2022，8：1-10
8	HE J， YANG H， TANG T Q，et al ．An optimal charging station location model with the consideration of electric vehicle’s driving range［J］．Transportation Research Part C：Emerging Technologies，2018，86（1）：641-654.
9	GONG D， TANG M， BUCHMEISTER B，et al ．Solving location problem for electric vehicle charging stations—a sharing charging model［J］．IEEE Access，2019，7（1）：138391-138402.
10	HECHT C， FIGGENER J， SAUER D U ．Predicting electric vehicle charging station availability using ensemble machine learning［J］．Energies，2021，14（23）：7834/1-24.
11	苏粟，李玉璟，夏明超，等．基于时空耦合特性的充电站运行状态预测［J］．电力系统自动化，2022，46（3）：23-32.
	SU Su， LI Yujing， XIA Mingchao，et al ．Operation state prediction of charging station based on spatio-temporal coupling characteristics［J］．Automation of Electric Power Systems，2022，46（3）：23-32.
12	杨青，王晨蔚．基于深度学习LSTM神经网络的全球股票指数预测研究［J］．统计研究，2019，36（3）：65-77.
	YANG Qing， WANG Chenwei ．A study on forecast of global stock indices based on deep LSTM neural network［J］．Statistical Research，2019，36（3）：65-77.
13	张群，唐振浩，王恭，等．基于长短时记忆网络的超短期风功率预测模型［J］．太阳能学报，2021，42（10）：275-281.
	ZHANG Qun， TANG Zhenhao， WANG Gong，et al ．Ultra-short-term wind power prediction model based on long and short term memory network［J］．Acta Energiae Solaris Sinica，2021，42（10）：275-281.
14	陈亮，王震，王刚．深度学习框架下LSTM网络在短期电力负荷预测中的应用［J］．电力信息与通信技术，2017，15（5）：8-11.
	CHEN Liang， WANG Zhen， WANG Gang ．Application of LSTM networks in short-term power load forecasting under the deep learning framework［J］．Electric Power Information and Communication Technology，2017，15（5）：8-11.
15	DICKEY D A， FULLER W A ．Distribution of the estimators for autoregressive time series with a unit root［J］．Journal of the American Statistical Association，1979，74（366a）：427-431.

订单号	电桩	充电时长/min	开始充电时间	结束充电时间	用电量/（kW·h）	金额/元
O19022822 415716047	龚家湾站直流8号	69.18	2019-02-28 22：41：57	2019-02-28 23：51：08	13.74	12.37
O19022822 191606119	龚家湾站直流15号	53.28	2019-02-28 22：19：16	2019-02-28 23：12：33	19.97	17.98
O19022822 142623627	龚家湾站直流5号	50.48	2019-02-28 22：14：26	2019-02-28 23：04：55	20.74	18.67
O19022821 573587321	龚家湾站直流8号	41.48	2019-02-28 21：57：35	2019-02-28 22：39：04	12.10	10.89

月份/月	RMSE				MAE				MAPE/%
月份/月	LSTM-FC	LSTM	BP	SVR	LSTM-FC	LSTM	BP	SVR	LSTM-FC	LSTM	BP	SVR
平均	1.361	1.411	1.766	2.433	0.948	1.048	1.435	1.798	2.571	2.818	3.732	4.775
2	1.510	1.565	2.126	2.838	1.057	1.129	1.756	2.167	2.962	3.129	4.613	6.034
5	1.269	1.359	1.678	1.990	0.876	1.049	1.404	1.525	2.335	2.758	3.591	4.049
6	1.296	1.310	1.616	1.755	0.890	0.939	1.327	1.366	2.485	2.629	3.571	3.768
7	1.377	1.427	2.181	2.280	0.950	1.080	1.839	1.764	2.393	2.700	4.399	4.363
9	1.274	1.308	1.422	3.484	0.910	0.983	1.137	2.238	2.478	2.669	3.044	5.758
11	1.439	1.500	1.574	2.247	1.007	1.111	1.148	1.725	2.770	3.021	3.175	4.676

隐藏层神经元数量	平均值
隐藏层神经元数量	RMSE	MAE	MAPE/%
10	1.608	1.174	3.123
20	1.562	1.128	3.029
30	1.372	0.970	2.616
40	1.369	0.957	2.590
50	1.358	0.949	2.567
60	1.383	0.977	2.632
70	1.381	0.973	2.633

输入步长	平均值
输入步长	RMSE	MAE	MAPE/%
4	1.382	0.972	2.626
8	1.385	0.980	2.640
12	1.372	0.961	2.599
16	1.378	0.971	2.623
20	1.381	0.975	2.634

[1]	上官文斌, 岳炼, 吕辉, 等. 基于载荷谱的电池包疲劳试验与计算方法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 50-56.
[2]	董萍, 韦述阳, 刘明波. 多网络协作下电动汽车参与电力市场的调度策略[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 83-94.
[3]	裴明阳, 朱宏昱. 电动汽车动态无线充电路段优化建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 135-151.
[4]	罗玉涛, 吴志强. 基于DAEKF算法的锂离子电池主要状态在线联合估计[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 84-94.
[5]	刘汉武, 雷雨龙, 付尧, 等. 基于多目标优化的增程式电动汽车自适应制动回馈控制策略[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 42-50,65.
[6]	上官文斌, 方致远, 李利平, 等. 动力总成-副车架悬置系统的刚体模态和位移控制计算方法[J]. 华南理工大学学报(自然科学版), 2021, 49(3): 1-7.
[7]	郭烈, 葛平淑, 许林娜, 等. 转向工况下的分布式电动汽车稳定性控制[J]. 华南理工大学学报（自然科学版）, 2020, 48(3): 100-107.
[8]	杨金明孙杰杉刘润鹏. 电动汽车无线充电系统原边和副边整流桥的无源控制[J]. 华南理工大学学报(自然科学版), 2020, 48(10): 11-18,47.
[9]	严军华王舒笑袁浩然陈勇单锐. 电动汽车能耗与气体排放分析及环境影响评价 [J]. 华南理工大学学报（自然科学版）, 2018, 46(6): 137-144.
[10]	张勇顾腾飞 . 电池交换式电动汽车换电站优化模型研究[J]. 华南理工大学学报（自然科学版）, 2018, 46(12): 128-138.
[11]	熊会元何山查鸿山朱雄来. 双轴驱动纯电动汽车驱动转矩的分配控制策略[J]. 华南理工大学学报(自然科学版), 2018, 46(11): 117-124.
[12]	万珍平温万昱吴柏禧付永清. 考虑换热能力和压降的永磁同步电机冷却流道设计[J]. 华南理工大学学报（自然科学版）, 2017, 45(7): 25-32,40.
[13]	兰凤崇刘金陈吉清黄培鑫. 电动汽车电池包箱体及内部结构碰撞变形与响应分析[J]. 华南理工大学学报（自然科学版）, 2017, 45(2): 1-8.
[14]	赵强刘海勇汪晋宽韩英华. 计及风电和电动汽车的安全约束机组组合模型[J]. 华南理工大学学报（自然科学版）, 2017, 45(10): 78-86.
[15]	田晟裴锋李拾成. 纯电动汽车上下电及电池管理系统故障控制策略[J]. 华南理工大学学报（自然科学版）, 2016, 44(9): 107-115.

基于LSTM-FC模型的充电站短期运行状态预测

Short-Term Operation State Prediction of Charging Station Based on LSTM-FC Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

月份/月	模型结构	批量大小	全连接隐藏神经元	迭代次数
2	3层	32	10	50
5	3层	64	10	75
6	3层	32	10	75
7	单层	32	10	75
9	单层	32	10	75
11	单层	32	10	75