【顶刊好文】边云协同驱动的微电网中电动汽车充电负荷预测规划

2026年1月，《Applied Energy》期刊（中科院一区，IF=11）发表了一篇题为" Edge-cloud collaboration-driven predictive planning of electric vehicle charging load for microgrids"的研究论文。该文针对微电网中深度学习模型部署面临的边缘计算资源受限与传统方法难以捕捉电动汽车充电负荷复杂多维非线性特征的挑战，提出一种基于边云协同架构的MHA-LSTM电动汽车充电负荷预测规划方法，通过云端承担模型训练重任与边缘端执行实时数据处理及低延迟推理，利用注意力机制精准捕捉负荷特征间的耦合关系，在显著降低预测误差与响应延迟的同时提升系统能源利用效率与运行稳定性，为智能微电网的优化调度提供决策支持。

1. Highlights

2. Research gap

现有的电动汽车充电负荷预测方法难以同时兼顾高精度建模与边缘侧实时部署的需求。传统的预测模型难以有效捕捉充电负荷数据中存在的复杂非线性特征及多维动态耦合关系，而以Transformer为代表的先进深度学习模型虽然预测精度较高，但其巨大的计算资源消耗使其难以在资源受限的微电网边缘设备上运行，无法满足实时调度对低延迟的严苛要求。因此，目前缺乏一种能兼顾解决模型复杂性、多源特征深度耦合以及边缘计算实时性的解决方案。

3. Abstract

       智能电网推动了电动汽车充电负荷预测的智能化转型，助力于微电网调度，但深度学习的高算力需求限制了其在边缘设备的部署。为了解决这一问题，提出了一种边云协同（ECC）架构，该架构将繁重的训练任务部署到云端，同时在边缘端实现实时推理。架构的核心是一个混合的多头注意力机制-长短期记忆网络（MHA-LSTM），该模型在真实数据集上进行了验证。实验结果显示，与表现次优的Transformer相比，MHA-LSTM将MAE降低了13.3%，RMSE降低了10.6%，R²达到0.7979，且推理时间仅为0.2367秒，证明了其在边缘端部署的可行性。此外，SHAP分析表明，“电价时段”和“小时是负荷变化的主要驱动因素，而“分钟”和“工作日/休息日”等细粒度特征则通过非线性交互作用进一步提高了预测精度。这种基于ECC的MHA-LSTM架构兼具高精度与低延迟，为智能微电网中的能源优化和实时电动汽车充电管理提供了一种实用的工具。

4. Graphics

图1. 边云协同驱动的微电网电动汽车充电负荷预测规划架构

图2. 多头注意力机制结构示意图

图 3. MHA-LSTM 预测模型网络结构

图4. 电动汽车充电负荷数据展示

图5. MHA-LSTM模型预测值与真实值比较

图6. 电动车充电负荷预测模型性能的比较分析

图7. 各种算法对电动车充电负荷预测结果的比较

图8. 某周电动汽车充电负荷预测结果比较

图9. 常见样本的预测结果对比

图10. 峰值样本的预测结果对比

图11. 不同预测算法结果的泰勒图

图12. 不同模型的预测误差和推理时间比较

图13. 四个参数的敏感性分析误差

图14. 鲁棒性和时间泛化测试结果

图15. SHAP分析汇总图

图16. Price_Band 的 SHAP 分析图

图17. Hour的SHAP分析图

图A.1. 分钟的平均负载和波动范围

图 A.2. 电动汽车充电负荷的自相关函数

图 A.3. 工作日与周末在分时电价区间内负荷比较曲线

图 A.4. RF 和 XGBoost 电动车负荷预测的特征重要性排序

引文信息

原文链接：https://doi.org/10.1016/j.apenergy.2026.127362

作者介绍

第一作者：马帅印，西安邮电大学校聘教授，绿色智算与决策研发中心主任，美国伊利诺伊大学研究学者，长期从事数字孪生、大数据、人工智能、绿色智算、预测与控制优化等研究，主持国家留学基金委、陕西省科技厅、陕西省哲学社会科学、陕西省教育厅、咸阳市科技局、榆林市科技局、西安邮电大学高层次人才等项目。已发表学术论文30余篇，谷歌学术引用1600余次，h-index为17，已发表学术论文近30篇，以第一作者身份在《IEEE IoT Journal》《Journal of Manufacturing System》《Applied Energy》《Energy》《Advanced Engineering Informatics》等中科院一区SCI期刊发表近20篇，其中3篇入选ESI热点/高被引论文；申请/授权发明专利10余项；授权软著6项；谷歌学术总引用1600余次，单篇最高引近300次，h-index为18。受邀担任《Information Dynamics and Applications》、《Journal of Artificial Intelligence and Technology》、《工业工程》、《兵器装备工程学报》和《机电工程技术》等期刊（青年）编委、《机电工程技术》“工业互联网驱动的高能耗制造系统优化方法与技术”为主题、《西邮学报》“智算中心低碳技术”为主题及《Cleaner Engineering and Technology》（IF=6.5）“Enhancing sustainability and resilience for manufacturing towards Industry 5.0”为主题的专刊主编。

第一学生作者：牛晨阳，西安邮电大学大数据工程与技术专业在读硕士研究生，研究方向为绿色智能制造、人工智能、大数据等。主持西安邮电大学研究生创新基金重点项目一项，以第一学生作者（导师第一）发表中科院一区SCI论文1篇。

扫码关注我们吧！