基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究

电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响，严重威胁到了电力系统频率稳定性。结合电动汽车充电负荷数据特点，在深度学习方法的基础上提出基于融合注意力机制（attention mechanism，AM）改进的双向长短时记忆网络模型（long short-term memory network， LSTM），实现对电动汽车的优化调度。通过使用实测电动汽车充电负荷数据，比较了所提方法与已有方法的性能。结果表明，在LSTM和（bidirectional long short-term memory network， BiLSTM）分别添加了注意力机制的（long short-term memory attention network，LSTMA）和（bidirectional long short-term memory attention network，BiLSTMA）模型相对于已有方法，在预测结果评价指标上都有明显的提升，证明了注意力机制在电动汽车充电负荷序列预测上的有效性。

Prediction of Electric Vehicle Charging Load Based on Integrating Attention Mechanism to Improve BiLSTM