基于改进VMD-TCN-LSTM的电动汽车短期负荷预测

来源：电子测量技术杂志2026年第6期北京时间：

作者：花妍，李鹏，闫冬，张翔凯

单位：1.南京信息工程大学电子与信息工程学院 南京 210044; 2.南京信息工程大学江苏省气象探测与 信息处理重点实验室 南京 210044

摘要：针对大规模电动汽车接入电网引发负荷波动的问题，电动汽车充电负荷预测可为电力调度决策提供关键支撑。为进一步保障电网运行的稳定性与可靠性，提出一种电动汽车短期充电负荷预测新方法，旨在提升负荷预测的精准度。首先，运用变分模态分解(VMD)将历史负荷数据拆解为多个子分量，将各子分量连同温度信息输入至多个(TCN-LSTM)分支中进行特征提取与学习，降低电动汽车负荷序列的复杂度。其次，构建双阶段注意力机制改进长短期记忆网络(LSTM)结构，实现负荷特征维度与时序维度的协同融合，从而提升对复杂负荷模式的捕捉能力。最后，提出时间转换预测模块经全连接层对预测结果进行加权整合，进一步提升模型预测精度，降低预测误差。在绍兴某社区实际电动汽车充电桩充电负荷数据集上进行算例分析。实验结果显示，所提方法在均方误差(MSE)、平均绝对误差(MAE)、和R2性能指标上分别提升68%、60%、4%，表明该模型具有较好的预测效果。

关键词：负荷预测;电动汽车;时间卷积网络;长短期记忆网络;注意力机制

基金资助：国家自然科学基金项目(41075115)、江苏省重点研发计划社会发展项目(BE2015692)、无锡市社会发展科技示范工程项目(N20191008)资助