文章主要内容总结本文提出了一种基于时空大语言模型（LLM）的电动汽车（EV）充电预测框架EV-STLLM，旨在解决现有模型在捕捉复杂时空依赖关系、处理大规模数据分布以及融合多维度信息方面的局限性。该框架主要分为两个模块：数据处理模块：采用变分模态分解（VMD）进行数据去噪，去除高频白噪声；结合改进的自适应噪声完备集合经验模态分解（ICEEMDAN）进行多频率分解，将信号分为高、中、低频分量；通过模糊信息粒化（FIG）提取多尺度信息（如日、周粒度），保留短期波动和长期趋势；利用ReliefF算法进行特征选择，减少冗余特征，增强模型效率。预测模块：构建时空频率嵌入层，融合令牌、时间和空间嵌入信息；设计部分冻结图注意力（PFGA）模块，冻结预训练LLM的初始层以保留序列建模能力，解冻顶层并引入图注意力机制，整合充电站网络拓扑的空间依赖关系；采用量化低秩适应（QLoRA）策略，降低训练参数和内存开销；提出定制化时频融合损失函数，同时优化时间域（MAE）和频率域（傅里叶变换差异）误差。实验基于深圳的真实EV充电数据，验证了EV-STLLM在充电量和占用率预测上的准确性和鲁棒性，其性能优于传统深度学习模型（如GCN、LSTM）和现有LLM-based模型（如GPT4TS、Ch