.png){kind=icon}
返回
A Multi-View Multi-Timescale Hypergraph-Empowered Spatiotemporal Framework for EV Charging Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1109/TSG.2025.3633777.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的电动汽车（EV）充电需求预测对于电网的稳定运行以及电动汽车在电力市场中的主动参与至关重要。现有的预测方法，特别是基于图神经网络的方法，通常仅限于建模站点之间的成对关系，无法捕捉城市充电网络中固有的复杂、群体性动态。为解决这一差距，我们开发了一种新型预测框架HyperCast，利用超图的表达能力来建模电动汽车充电模式中隐藏的高阶时空依赖关系。HyperCast整合了多视角超图，这些超图既能捕捉静态的地理邻近性，又能捕捉基于动态需求的相似性，并结合多时间尺度输入来区分近期趋势和周周期性。该框架采用专门的超时空块和定制的交叉注意力机制，以有效融合来自这些不同来源（视角和时间尺度）的信息。在四个公开数据集上的广泛实验表明，HyperCast显著优于广泛的最新基准方法，证明了显式建模群体充电行为以实现更准确预测的有效性。
Keyword:
Electric vehicle
charging demand forecasting
spatiotemporal
hypergraph
attention mechanism
期刊
IF:
9.8
论文数:
5.9K
被引数:
4.3W
机构
引用论文
Optimal Location and Pricing of Electric Vehicle Charging Stations Using Machine Learning and Stackelberg Game基于机器学习和Stackelberg博弈的电动汽车充电站最优选址和定价
PREAI
分享收藏Electric vehicle batteries alone could satisfy short-term grid storage demand by as early as 2030到2030，仅电动汽车电池就可以满足短期电网存储需求。.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏MetaProbformer for Charging Load Probabilistic Forecasting of Electric Vehicle Charging Stations
PREAI
分享收藏分享收藏Investigating state-of-the-art planning strategies for electric vehicle charging infrastructures in coupled transport and power networks: a comprehensive review研究耦合运输和电力网络中电动汽车充电基础设施的最新规划策略: 全面审查PROGRESS IN ENERGY
OAAI
PROGRESS IN ENERGYIF9.8
OAAI分享收藏
查看更多内容