1.一种电动汽车充电负荷预测方法，其特征在于，包括如下步骤：(1)预先获取电动汽车历史充电负荷数据，并对负荷数据进行预处理与清洗，得到日负荷曲线；

(2)将预处理后的历史充电负荷数据划分为训练集和测试集，并在训练集中获取水平训练集和垂直训练集；

(3)建立基于门控循环单元GRU和Autoformer的混合预测模型，利用改进的材料生成优化算法优化GRU‑Autoformer预测模型参数，所述的改进的材料生成优化算法包括利用拉丁超立方初始化代替原来的随机初始化；

(4)对步骤(2)中获取的水平训练集和垂直训练集分别进行GRU‑Autoformer训练，确定最优网络参数，得到GRU‑Autoformer_H预测模型和GRU‑Autoformer_L预测模型，然后分别对预测日进行负荷预测，将两个预测模型的预测结果进行线性组合加权；

(5)通过对电动汽车充电设施设置充电功率采样观测点，使用测量值对GRU‑Autoformer预测结果进行自适应卡尔曼滤波误差校正，得到符合系统状态的预测结果。

2.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，所述步骤(1)实现过程如下：筛选有用的信息，包括车牌号、交易电量、充电开始时间和充电结束时间；根据预处理后电动汽车的负荷数据，计算电动汽车充电负荷值p，处理成15min时间间隔的日负荷值，从而得到日负荷曲线；电动汽车充电负荷值p：

3.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，所述步骤(2)实现过程如下：水平训练集为水平地采集一段时序上连续的历史数据样本；垂直训练集为从历史数据中挑选出与待预测时刻具有相同时间属性的离散样本；

将历史充电负荷数据按日期属性分为了85个子集：对于非节假日而言，一个月份的相同星期组成一个子集，一个星期为7天，一年有12个月，由此可以得到84个子集；所有节假日组成另一个子集，得到85个数据子集。

4.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，步骤(3)所述混合预测模型构建过程如下：GRU内部逻辑结构关系如下式：

(z) (z)

zt＝σ(W pt+W xt‑1) (2)

(r) (r)

rt＝σ(W pt+W xt‑1) (3)

x't＝tanh(Wpt+rt×Wxt‑1) (4)xt＝zt×ht‑1+(1‑zt)×x't (5)(z)

式中：pt表示第t个负荷数据、zt表示t时刻的更新门、rt表示t时刻的重置门、W 表示更(r)新门的权重、W 表示重置门的权重、W表示更新门与上一时刻重置门记忆内容权重矩阵、σ表示sigmoid函数，tanh表示tanh函数、“×”是矩阵Hadamard积，xt'为之前时刻电动汽车充电负荷特性,xt为当下时刻负荷特性；

将GRU挖掘的电动汽车负荷特性xt作为Autoformer的输入；通过Autoformer内的序列分解单元，基于滑动平均思想，平滑在周期项，突出趋势项：其中，x为待分解的隐变量,xc,xs分别为趋势项和周期项，将上述公式记为xc,xs＝SeriesDecomp(x)，将上述序列分解单元嵌入Autoformer层间；

在Encoder部分，逐步消除趋势项，得到周期项；构建自相关机制，聚合不同周期的相似子过程，实现信息聚合：其中，AutoCorrelation为自相关机制， 表示编码器l‑1层的输入， 表示编码器l层第一次序列分解后的周期项，FeedForward表示前馈单元， 表示编码器l层第二次序列分解后的周期项；

在Decoder部分，对趋势项与周期项分别建模；其中，对于周期项，自相关机制利用序列的周期性质，聚合不同周期中具有相似过程的子序列；对于趋势项，使用累积的方式，逐步从预测的隐变量中提取出趋势信息：其中， 表示编码器N层的输入， 分别表示解码器l层第一、二、三次序列分解后的趋势项，w表示分解后的趋势项累加到总的趋势项之间的权重， 表示解码器l层输出的趋势项；

通过自相关机制来实现高效的序列级连接，从而扩展信息效用；不同周期的相似相位之间通常表现出相似的子过程，利用这种序列固有的周期性来设计自相关机制，其中，包含基于周期的依赖发现和时延信息聚合；

基于周期的依赖发现：基于随机过程理论，对于实离散时间过程{xt}，如下计算其自相关系数：其中，自相关系数Rxx(τ)表示序列{xt}与它的τ延迟{xt‑T}之间的相似性，即周期长度为τ的置信度为R(τ)；

时延信息聚合：首先使用Roll()操作进行信息对齐，再进行信息聚合，然后使用query、key、value的形式：其中，SoftMax为SoftMax函数。

5.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，步骤(3)所述采用改进的材料生成优化算法优化GRU‑Autoformer模型参数的实现过程如下：设置材料生成优化算法的目标函数为Autoformer模型中的权重，编码器层数，解码器层数，将这三个参数作为算法的输入，设置上下限；适应度值为训练集误差指标；

在优化过程的第一阶段， 是在搜索空间随机确定的，现通过拉丁超立方初始化方法代替原来的随机初始化，其公式如下：其中， 为第i个材料的第j个元素的下界， 为第i个材料的第j个元素的上界，Cj表示第i个材料所在的子搜索空间，RFP为全排列操作，n表示材料种类，d表示问题维度，PTEi表示第i个材料的初始化值，rand是[0,1]区间内的一个随机数；

j

材料Mat由多个周期元素PTE组成：

1 2 j d

Mat＝[PTE PTE…PTE…PTE](17)其中，d是每种材料中元素的数量；

对每个PTE使用连续概率分布来配置化合物，该化合物被视为新的PTE，如下所示：其中，r1和r2分别为[1,n]和[1,d]区间内的均匀分布随机整数； 是从Mat中随机‑选择的PTE；e是数学模型中用正态高斯分布表示的模拟电子丢失、获得或共享过程的概率分量； 表示新材料的位置，即新生成Autoformer的权重，编码器层数，解码器层数的值；

基于随机选择的初始元素 来计算选择新元素 的概率如下所示：2

其中，μ是对应于所选随机PTE分布的均值或期望值；σ是标准差；σ是方差；e是自然对数的自然基；

新创建的PTE用于生产新材料Matnew1，然后将其作为新的备选解添加到初始材料列表Mat中：通过化学反应概念对生产新材料的过程进行数学建模，确定一个整数随机数，该数与参与化学反应的初始材料的数量有关；然后生成t个整数随机数(mj)以确定选定材料在初始材料中的位置，新解是其他解的线性组合；对于每种材料，还计算了参与因子P，不同的材料将参与不同过程的反应，数学表示如下：其中，Matm是从初始Mat中随机选择的第m种材料；pm是Matm参与的正态高斯分布因子；

Matnew2是该化学反应模型生成的新材料；

考虑到化合物和化学反应构型方法，总体备选方案组合如下：计算新材料的适应度值，新材料取代最差的适应度值的材料，根据所创造的材料和替代过程更新全局最优解，将最好的适应度值对应的材料的所在的位置作为输出，更新Autoformer模型的权重、编码器层数、解码器层数。

6.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，步骤(4)所述将两个预测模型的预测结果进行线性组合加权，实现过程如下：式中， 分别为GRU‑Autoformer_H和GRU‑Autoformer_L的预测值；k1、k2为权重系数；yt为组合预测值；设有m个预测样本， 为第i种预测模型第t个样本的拟合预测值，Yt为第t个样本的实际值，其预测的绝对误差为 令et＝yt‑Yt，则有权重系数k1、k2，由平方和误差最小来求，其表达式为：权重系数的求解用下列模型：

T

式中，R＝[1,1]，ki≥0(i＝1,2)；对上式用拉格朗日乘子法求解，得：

7.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，步骤(5)所述的自适应卡尔曼滤波包括预测、更新，实现过程如下：假设电动汽车充电观测系统以及估计系统均为线性离散系统，认为一天中任意时刻，全网电动汽车充电负荷存在如下关系：式中：Pt为系统t时刻电动汽车充电负荷；为系统参数，不全为0，表达t时刻以前负荷对t时刻的影响；ut为系统噪声；

而对于系统观测量，存在如下关系：

yt＝Pt+vt (28)

式中：yt为对电动汽车充电负荷的直接观测量；vt为在观测过程中产生的噪声；

式(27)、式(28)使用卡尔曼滤波状态空间方程表达为：T

式中，xt＝[Pt,…,Pt‑n+1] ；转移矩阵A为状态转移矩阵，B为系统模型参数；C为行矩阵，C＝[1 0…0]1×n；wt代表t时刻的过程噪声；

假设系统状态为t，根据系统的上一个状态预测出现在的状态：xtt‑1＝Axt‑1t‑1+But (30)式中：xt|t‑1是利用上一状态预测出的现在状态的结果；xt‑1|t‑1是上一状态最优的结果；

ut是现在状态的控制量；

通过上一时刻电动汽车负荷预测的最优结果不断参与迭代本时刻的预测，本时刻预测结果xt|t‑1对应的协方差U可以更新为：T

Ut|t‑1＝AUt‑1|t‑1A+Q (31)式中，Q为系统过程的协方差；

根据上一状态最优值得到的现在状态的预测值和现在状态重新测量的测量值，得到现在状态t时最优化估算值为：xt|t＝xt|t‑1+Kt[yt‑cxt|t‑1] (32)式中，Kt为卡尔曼增益，c表示测量系统的参数：其中，R为测量噪声vt的协方差；

卡尔曼增益与协方差还存在关系：

Ut|t＝(1‑Ktc)Ut|t‑1  (34)为了增强对电动汽车负荷预测数据的抗干扰能力，实现自适应性，引入自适应遗忘因子λt：其中：

T

Ht＝ht‑QQα‑Ot(36)

T

Lt＝QQRt‑1(37)

式中，Ot代表t时刻量测噪音方差矩阵；ht代表t时刻过程噪声方差；Ht代表t时刻噪声误差方差；Lt代表t时刻的卡尔曼估计误差增益因子；Rt‑1代表t‑1时刻的卡尔曼估计误差协方差；δt代表t时刻的新息；ω代表卡尔曼滤波器的记忆长度；

将计算出来的自适应遗忘因子λt引入公式(32)，得到现在状态t时最优化估算值：xt|t＝λtxt|t‑1+Kt[yt‑cxt|t‑1]   (39)在任意t时刻，通过GRU‑Autoformer模型预测得到xt作为初始值；同时，通过测量值yt对xt进行卡尔曼滤波修正，得到t+1时刻系统充电功率估算的最优值。