Zur Vorhersage der Ladebelastung von Elektrofahrzeugen in Städten unter dem Einfluss mehrerer Faktoren wurde ein Modell zur Fusion von spatio-temporaler Graph-Convolution und einem Mehrkanal-Attentionsnetzwerk (STGC-SENet) vorgeschlagen. Das Modell baut ein Modul zur Extraktion periodischer Zeitsegmente auf, um kurzfristige, tägliche und wöchentliche periodische Merkmale zu erfassen, realisiert eine synchrone Modellierung zeitlicher Abhängigkeiten und räumlich-topologischer Zusammenhänge durch spatio-temporale Graph-Convolution, führt eine SE-Kanal-Attentionsschicht zur Neukalibrierung multifaktorieller Merkmalskanäle ein und stärkt dynamisch wichtige Merkmale. Experimente basierend auf realen Daten zeigen, dass der mittlere absolute Fehler von STGC-SENet im Vergleich zu Basismodellen wie LSTM, MSTGCN und ASTGCN um 3,36, 0,56 und 1,10 gesunken ist. Hinsichtlich der Faktorenempfindlichkeit zeigte die Einbeziehung des täglichen Zyklusfaktors die signifikanteste Verbesserung der Vorhersage im Vergleich zu kürzlichen und wöchentlichen Zeitsegmenten. Bei Eingabe historischer Ladebelastung liefern die Integration der Anzahl der Ladestationen und des Echtzeitstrompreises die besten Vorhersageergebnisse, wobei der Gesamtmittelwert des absoluten Fehlers auf 5,08 sinkt, während die Integration der Anzahl der Ladestationen und meteorologischer Faktoren keine wesentliche Verbesserung bringt.

Elektrofahrzeuge;Ladebelastung;Multifaktor-Fusion;spatio-temporale Korrelation;Graph-Convolution-Netzwerk;Mehrkanal-Attention