1.一种基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，包括如下步骤：(1)预先获取城镇居民区、商业区和工业园区三种充电场景的电动汽车历史充电负荷数据，并对负荷数据进行预处理，得到年负荷曲线，并将预处理后的充电负荷数据进行划分；

(2)构建基于不同场景下充电负荷预测影响因素指标体系，通过专家经验和改进熵权法计算指标组合权重，并将权重较高的影响因素特征值作为输入，以充电负荷作为输出；

(3)将GATv2的图注意力机制引入Linformer注意力层，构建GATv2‑Linformer混合预测模型；

(4)基于开普勒优化算法KOA融合多种改进策略得到IKOA，利用IKOA优化GATv2‑Linformer预测模型参数；

(5)构建XGBoost误差校正模型；

(6)利用改进后的GATv2‑Linformer预测模型和XGBoost误差校正模型分别获得初始预测值和误差预测值，利用预测误差值对产生的预测值进行修正，得到更精准的电动汽车充电负荷预测结果。

2.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(1)将得到的历史数据划分成三种类型，即工作日充电负荷数据、非工作日充电负荷数据和节假日充电负荷数据，并将三类充电负荷数据分别划分为训练集

1、训练集2和测试集。

3.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(2)包括：(2.1)建立多场景下的影响指标体系，针对不同场景下充电负荷影响因素不同，构建基于专家经验和改进熵权法的组合权重指标，分析不同场景下各影响因素的权重：(2.2)基于专家经验的权重指标通过综合研究数据、经验进行赋权；

(2.3)基于改进熵权法的权重指标在原有熵权法基础上，引入信息熵原理，信息熵计算公式为：其中p(j)为事件j发生的概率，N为样本总数。

计算各影响因素的权重指数，计算公式为：

其中 为不等于1的信息熵的均值，Hj为第j个参数对应的信息熵值；

由权值指数计算熵权值为：

其中指数a定义为8， 为传统信息熵权使用熵值计算的信息熵权。

(2.4)基于多因素影响充电负荷预测构建组合权重指标为：其中αj为主观权重。

4.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(3)GATv2是在GAT的基础上修改operations的次序，表示为：T

其中，||表示拼接操作，wgat表示共享权重矩阵，hi，t表示节点的特征，a 是注意力核函数，L是激活函数，αij，t为t时刻的权重系数；

GATv2在计算权重系数时先进行特征拼接，再与权重矩阵相乘，采用多头注意力机制：其中，Wk为学习参数， 为单头注意力系数求和得到的特征向量，αij，k为学习到的权重系数，σ为任意激活函数。

5.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(3)中Linformer注意力层表示在attention的计算中增加两个k×n的矩阵E、F，使得n阶的attention降维到固定的k维矩阵：缩减参数量，即令E＝F，并定义k的维度为128。

6.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(4)利用IKOA优化GATv2‑Linformer预测模型参数包括：(4.1)使用佳点集策略初始化代替原有的随机初始化：

它的偏差满足：

其中Pn(k)为佳点集，r为佳点，n为点数，C(r，δ)是只与r，δ有关的常数，δ为任意小的正数，p是满足(p‑3)/2＞s的最小素数，s代表维度，upper代表上界，lower代表下界；

(4.2)在位置更新中使用精英策略：

在位置更新策略中引入柯西变异增加种群多样性，提高算法的全局搜索能力，增大搜索空间：xnewbest＝xbest+xbest×Cauchy(0，1)计算行星最新位置的适应度值，在迭代过程中更新全局最优解，将最优适应度值所对应的行星的位置作为输出，更新GATv2‑Linformer预测模型的学习参数、Linformer的编码层和解码层层数。

7.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(5)使用XGBoost算法来搭建误差预测模型，XGBoost是通过串联多个决策树来逐步提升模型的预测性能：其中，xi表示第i个样本，fk(x)为第k个树模型的计算结果，n为决策树的数量，XGBoost在损失函数和目标函数中进行了一些处理，目标函数如下：其中，l()为损失函数；Ω()为正则项，代表树的复杂度；yi为观测的真实值， 为预测值，K为算法中树的总数；g、hi在算法流程中已知；γ和λ表示参数；T表示叶子结点个数，ωj表示第j个叶子结点的权重。

8.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(5)包括：(5.1)准备好训练集2的数据集，定义XGBoost误差预测模型的参数，包括最大迭代次数、树的深度、树的数量和学习率；

(5.2)使用训练集训练XGBoost模型，在训练过程中，模型会逐步学习如何拟合数据，并在每一轮迭代中优化预测效果，达到最大迭代次数，输出最优预测值。

9.根据权利要求8所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述最大迭代次数为1000，树的数量设置为150，树的深度设置为3，学习率为0.1。

10.根据权利要求1所述的基于组合权重的电动汽车充电负荷影响因素评估及预测方法，其特征在于，所述步骤(6)包括：(6.1)利用训练集1的数据和改进的开普勒优化算法IKOA优化GATv2‑Linformer预测模型的参数；

(6.2)使用GATv2‑Linformer预测模型预测训练集2的充电负荷预测值，与训练集2的真实值做差得到误差序列，利用该误差序列训练XGBoost误差预测模型；

(6.3)基于GATv2‑Linformer预测模型和XGBoost误差预测模型获得测试集数据的初始预测值和误差修正值，相加得到最终的充电负荷预测值。