基于样本熵和CEEMDAN-TCN-BiGRU混合模型的短期电动汽车充电负荷预测

《Processes》：Short-Term Electric Vehicle Charging Load Forecasting Based on Sample Entropy and CEEMDAN-TCN-BiGRU Hybrid Model

　　

电动汽车（EV）的大规模接入因其充电负荷的强非线性和非平稳性给电网运行带来了重大挑战。为解决现有方法在噪声抑制和时间特征提取方面的局限性，研究人员提出了一种集成样本熵（Sample Entropy, SE）与TCN-BiGRU混合网络的短期电动汽车充电负荷预测模型。首先，使用孤立森林（Isolation Forest）和K近邻（K-Nearest Neighbor, KNN）进行异常修正和缺失值填补。然后，采用完全自适应噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN）对负荷序列进行分解，并引入样本熵（SE）筛选出高噪声分量进行序列重构。将重构后的序列输入TCN-BiGRU框架，其中时间卷积网络（Temporal Convolutional Network, TCN）提取多尺度局部特征，双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）捕获双向长期依赖关系。在全年真实充电数据集上的测试中，所提模型在所有季节均优于门控循环单元（GRU）、双向门控循环单元（BiGRU）和TCN-GRU。与GRU相比，所提模型在冬季的平均绝对误差（MAE）和均方根误差（RMSE）分别降低了57.8%和61.3%，决定系数（R²）从0.827提升至0.978。

在全球能源转型和碳达峰、碳中和目标背景下，电动汽车（EV）产业快速发展，大规模充电负荷接入给电网安全调度、经济运行和稳定控制带来重大挑战。充电负荷受用户出行习惯、分时电价、气象条件、交通流量和充电站布局等多因素影响，呈现强非线性、非平稳性、多尺度波动和时空分布不均的特点，负荷曲线常伴有短期峰值、随机突变和异常扰动，增加了充电设施规划、电网需求响应和车网协调优化的难度。现有方法在噪声抑制和时间特征提取方面存在局限：传统时间序列方法（如ARIMA）基于线性平稳假设，难以适应强波动和突变；浅层机器学习（如BP神经网络）特征提取能力不足，泛化能力差，难以捕捉长期时间依赖；深度学习方法（如LSTM、GRU）虽能缓解梯度消失，但单循环模型在提取多尺度局部特征方面存在不足，对短期突变和高频波动感知不够；卷积结构（如TCN、CNN）引入后与循环网络结合形成混合模型，但现有方法在预处理不稳定、缺少分量筛选、混合模型特征融合不充分等问题。信号分解与深度学习结合的预测框架成为研究热点，但现有方法如变分模态分解（VMD）结合支持向量回归（SVR）未消除高频噪声，序列分解结合深度学习未根据复杂度筛选分量，导致信息冗余。因此，研究人员提出了一种集成样本熵和TCN-BiGRU的混合模型，以提高短期充电负荷预测的精度和鲁棒性。该研究发表于《Processes》期刊。

研究人员提出的模型首先采用孤立森林-K近邻（IF-KNN）混合方法进行异常检测和缺失值填补，提升数据质量。随后，使用完全自适应噪声集合经验模态分解（CEEMDAN）对预处理后的非平稳负荷序列进行自适应分解，得到多个本征模态函数（Intrinsic Mode Function, IMF）和残差分量。样本熵（SE）被用于评估每个IMF的复杂度，根据所有IMF的SE平均值作为阈值，剔除SE显著高于阈值且波形不规则的高复杂度分量（如IMF6），保留包含结构信息的中低熵分量，进行序列重构。重构后的序列输入时间卷积网络（TCN），TCN通过扩张因果卷积和残差连接提取多尺度局部特征，包括短期波动、峰值谷值转换和局部周期模式。然后，双向门控循环单元（BiGRU）通过前向和后向门控循环单元捕获双向时间依赖，结合TCN提取的特征进行最终预测。数据来源为中国南方某城市一个充电站2025年全年（1月1日至12月31日）的实际充电负荷数据，采样间隔15分钟，共约35000条记录，按日历划分为春、夏、秋、冬四个季节子集。

研究结果部分包括以下四个小标题：

**数据集描述与预处理结果**：通过IF-KNN方法对原始数据进行异常检测和缺失值填补。原始数据存在明显异常值和连续缺失段，经处理后数据质量得到改善，异常点被KNN方法基于邻近正常样本插补，为后续分解和建模提供了高质量输入。

**CEEMDAN分解与序列重构**：对预处理后的负荷序列进行CEEMDAN分解，得到6个IMF（按频率升序排列，分别对应随机波动、周期变化和整体趋势）。计算每个IMF的样本熵，发现IMF6的SE值为1.3864，显著高于其他IMF（如IMF1至IMF5），表明其随机性强、确定性弱。根据SE平均值阈值，将IMF6识别为复杂度主导分量并剔除，剩余分量重构得到净化后的负荷序列，保留了主要变化趋势，降低了高频噪声干扰。

**对比分析与讨论**：将所提模型与GRU、BiGRU、TCN-GRU、CEEMDAN-LSTM和VMD-SE-TCN-GRU等模型在四个季节的数据集上进行对比，采用MAE、RMSE和R²作为评价指标。结果显示，所提模型在所有季节均取得最低MAE和RMSE以及最高R²。与GRU相比，冬季MAE和RMSE分别降低57.8%和61.3%，R²从0.827提升至0.978。与CEEMDAN-LSTM相比，进一步验证了样本熵筛选和TCN-BiGRU特征提取的有效性；与VMD-SE-TCN-GRU相比，表明CEEMDAN分解和BiGRU双向建模更适合电动汽车充电负荷特性。可视化结果显示，所提模型能准确跟踪负荷曲线的陡峭上升和下降边缘，克服了传统深度学习模型的滞后预测缺陷。在不同季节中，夏季负荷幅度最大、波动不规则，模型表现相对较差但仍是所有模型中最优；冬季负荷波动最剧烈，所提模型相对提升最大，验证了其鲁棒性。

**计算效率分析**：比较了各模型的训练时间和推理延迟。基于分解的模型需要额外计算时间，所提模型由于CEEMDAN、SE计算和TCN-BiGRU结构，计算成本稍高，但SE筛选策略自适应去除了冗余IMF分量，减少了不必要的特征输入。推理延迟仅为3.91毫秒，对于短期负荷预测应用可接受，实现了精度与效率的平衡。

在讨论部分，研究人员进一步分析了与已有代表性方法的比较。传统单深度学习模型（如GRU、LSTM）直接建模原始序列，未进行信号分解，能力有限；注意力模型改善长依赖学习，但受高频噪声影响；分解-深度学习混合框架先分解再预测，简化了任务。而所提框架进一步引入SE筛选和TCN-BiGRU，实现更高精度和鲁棒性。不同季节性能差异的原因被分析：夏季负荷幅度大、波动不规则导致预测难度大；春季和秋季负荷模式重复性高，拟合度好；冬季负荷具有明显局部峰谷转换和快速升降，但所提模型相对提升最大，证明了其抑制不规则干扰和跟踪局部变化的能力。

研究结论部分翻译如下：
(1) 本研究开发了一种集成样本熵和TCN-BiGRU的短期电动汽车充电负荷预测模型。通过CEEMDAN自适应分解和样本熵分量筛选，有效降低了负荷序列的非平稳性和噪声干扰，显著提高了输入数据质量，为高精度预测奠定了基础。定量实验结果验证，所构建模型在不同季节场景下均比传统深度学习模型获得更低的MAE和RMSE，决定系数（R²）更接近1，在预测精度和稳定性方面表现出明显优势。
(2) TCN和BiGRU的混合结构能够充分发挥局部特征提取和双向时间依赖建模的互补优势。TCN能高效捕获充电负荷的多尺度短期波动和突变特征，BiGRU能充分挖掘序列的长时动态相关性。两者结合解决了单模型在复杂非线性负荷预测中特征利用不足和长期依赖描述不充分的内在问题。
(3) 所提模型在四个季节的实测数据上表现出良好的泛化能力和鲁棒性，尤其在冬季负荷剧烈波动时仍保持高预测精度，可为电动汽车充电站运行、有序电网充电调度和配电网规划提供可靠支持。从运行角度看，改进的预测精度可为成本效益调度规划提供更可靠信息，而毫秒级推理延迟和可接受的计算开销支持了大规模部署的经济可行性。