DPE-SOFTS:基于注意力增强卷积编码与序列核心融合的电动汽车充电负荷日前高分辨时空预测OA

针对电动汽车高渗透率下无序充电加剧配电网负荷波动与运行风险,而超大城市缺乏高分辨率日前预测方法支撑电网优化的问题,提出一种日前高分辨率时空预测双周期驱动框架(dual-period exogenous-enhanced SOFTS,DPE-SOFTS)。首先,构建“前一日同刻”与“前一周同日”双周期参考序列,并利用卷积块注意力模块(convolutional block attention module,CBAM)实现周期特性的自适应融合以增强模型鲁棒性;在此基础上,通过SOFTS序列核心融合技术提取基线预测特征,并引入充电设施属性、兴趣点(point of interest,POI)及气象等多维外生信息进行条件化非线性校正。以上海全域500m分辨率网格(共28110个)为研究对象,基于逾51万个充电设施数据进行实证分析。结果表明,所提方法较最优基线模型的均方根误差(root mean square error,RMSE)与平均绝对误差(mean absolute error,MAE)分别降低了11%和17%;K-top命中率分析证实了模型优异的热点捕捉能力;消融实验进一步验证了双周期融合、CBAM及外生信息模块在提升预测精度中的有效性。