⚡ electrical engineering

Electric Vehicle Charging Profile Forecasting Using Hybrid Models

本文提出了一种混合且轻量级的方法，用于在单个和聚合层面预测个体电动汽车的充电曲线，并通过评估其在不同信息可用性下的有效性，以优化电池感知调度和离站时间估算。

原作者： Riccardo Ramaschi, Mario Paolone, Sonia Leva

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Riccardo Ramaschi, Mario Paolone, Sonia Leva

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一家繁忙的高速公路休息站的管理员，但你的加油泵被电动汽车（EV）的快速充电站所取代。你面临的最大挑战是准确知道每辆车需要多少电量，以及充满电需要多长时间。如果猜错了，可能会导致其他人的电力供应不足，或者让车辆停留的时间超过必要时长。

本文提出了一种“智能猜测”系统，旨在精确预测电动汽车的充电过程，无论是在插入充电之前还是正在充电期间。作者来自意大利和瑞士的研究人员构建了一种混合工具，结合了两种不同的思维方式来进行这些预测。

以下是该系统的工作原理，通过简单的类比进行解释：

1. 两步预测游戏

该系统分两个截然不同的阶段运行，就像侦探在会见嫌疑人之前和之后破案一样。

阶段 A：“未连接”猜测（车辆到达之前）
在车辆甚至尚未插入充电插头之前，系统就必须做出一个“盲目”的猜测。它不知道车辆的电池容量，也不知道内部还剩多少电量。

类比：想象一下试图猜测用软管给桶注满水需要多长时间，但你不知道桶的大小，也不知道桶里已经有多少水。
工具：研究人员使用“随机森林”（一种从历史数据中学习的计算机大脑）来根据车辆电池容量和室外温度猜测充电速度。
转折：由于他们通常不知道确切的电池容量，因此使用“高斯混合模型”（一种将相似事物分组的统计工具），根据时间和历史模式来估算最可能的电池容量。

阶段 B：“已连接”优化（车辆插入充电之后）
一旦车辆插入充电，系统就会获取实时数据。它能观察到实际的电力流动和电池电量的上升。

类比：现在你看到了实际的桶和流动的水，你可以停止猜测并开始测量。你将当前的流量与你以前见过的数千个桶进行比较，看看哪一个看起来最相似。
工具：系统使用简单的“欧几里得距离”方法。它观察车辆的当前行为，并在其过去的充电会话历史中找到“最接近的匹配项”。然后，它每分钟更新一次预测，以更接近真相。

2. “时间旅行”问题

本文强调了一个棘手的问题，称为**“时间平移”**。

问题：该系统非常擅长预测在特定电池电量下车辆需要多少功率（例如：“在 50% 电量时，车辆需要 100 千瓦”）。但充电站需要知道这何时发生（例如：“它将在 15 分钟内达到 50%"）。
隐喻：知道汽车的速度很容易；知道它确切何时到达下一个出口则更难，尤其是如果你不知道它出发时有多少油或油箱有多大。
研究：作者测试了如果这些信息出错会发生什么。他们模拟了八种不同的场景，范围从“我们完美地知道一切”到“我们一无所知”。

3. 他们的发现（结果）

研究人员使用瑞士公共数据集中的真实数据（1,878 次充电会话）测试了他们的系统。以下是他们的发现：

“已连接”更新非常强大：随着车辆充电，系统的表现会好得多。在充电的第 10 分钟，预测误差显著下降（从大约偏差 40% 降至仅偏差 16%）。然而，在大约 10 次更新后，准确率停止提升，有时甚至略有下降，这表明存在一个停止优化猜测的“最佳时机”。
电池容量是关键：在预测总时间和总能量需求方面，了解电池容量是最关键的因素。如果你猜错了电池容量，你的整个时间线就会出错。
荷电状态（SoC）影响分布：了解车辆到达时的电池电量（SoC）有助于收紧预测，使可能结果的“分布”范围变小。然而，猜测离开时的 SoC（驾驶员希望充满的程度）并不总是像预期那样有帮助，这可能是因为模型在猜测该数字时存在轻微偏差。
“无信息”场景：即使系统必须猜测一切（电池容量、到达时的电量水平和离开时的电量水平），它仍然比完全没有数据要好，尽管误差要大得多。

总结

简而言之，本文介绍了一种轻量级的两部分系统，用于预测电动汽车充电。它首先基于历史数据和天气进行统计上的“最佳猜测”，然后在车辆插入充电后切换到“实时匹配”模式。

关键要点是，虽然该系统运行良好，但最终时间线的准确性在很大程度上取决于是否了解电池容量。如果这一点出错，整个时间表就会发生偏差。如果你正确了解了电池容量，一旦车辆开始充电，系统就能非常快地优化其时间线。作者得出结论，这种方法是一种有前途且高效的方式，可以帮助电网管理日益增长的电动汽车数量，而无需庞大复杂的计算机系统。

技术摘要：基于混合模型的电动汽车充电曲线预测

问题陈述
电动汽车（EV）的快速普及和快速充电站（FCS）的扩张，使得对电力需求的准确预测变得至关重要。虽然现有文献广泛涵盖了聚合需求预测，但针对单个电动汽车充电曲线的预测仍属探索不足。准确的个体充电曲线对于电池感知调度、站点级预测的细粒度更新以及离站时间估算至关重要。然而，现有方法面临诸多挑战：缺乏细粒度的公共数据集、对专有电池管理系统（BMS）的依赖，以及深度学习模型带来的计算需求。此外，在“时间转换”方面存在显著差距，即将功率随荷电状态（SoC）变化的曲线转换为功率随时间变化的曲线。这一转换依赖于到达/离站时的 SoC、离站时间和电池容量等信息，而这些信息在连接前往往未知或仅为估算值，可能危及预测精度。

方法论
作者提出了一种混合轻量级预测工具，包含两个不同的实例，用于在充电过程开始前和进行中估算充电曲线。该模型利用了来自洛桑联邦理工学院（DESL）的 1,878 次三级（L3）快速充电站充电会话的公共数据集，并辅以环境温度数据。

未连接估算（连接前）：
- 目标： 在电动汽车连接前生成充电曲线（功率 vs. SoC）的初始猜测。
- 特征： 模型使用电池容量（ $C$ ）和到达时的环境温度（ $T_{ta}$ ）。
- 容量估算： 由于实际容量可能未知，采用带有 K 折交叉验证（CV）的单变量高斯混合模型（GMM）基于历史分布来估算 $C$ 。
- 曲线预测： 随机森林（RF）回归器预测完整的充电曲线（ $CP_{ta}$ ），建立 SoC 到功率的映射。训练数据通过基于 SoC 的历史会话插值构建，并通过恒定外推扩展，以确保固定长度的表示。
- SoC/时间预测： 为处理时间转换，基于 GMM 的模型（按一天中的小时优化）预测到达和离站时的 SoC（ $SoC_{ta}$ ， $SoC_{td}$ ）。
已连接估算（连接后）：
- 目标： 利用滚动时域框架在充电会话期间持续优化曲线。
- 方法： 采用基于欧几里得距离的轻量级统计方法。在每个时间步 $t_i$ ，模型构建一个包含电池容量和截至 $t_i$ 的实际功率历史的输入向量。将其与历史实现矩阵进行比较以找到最匹配项（ $j^*$ ），并使用相应的历史曲线段更新预测。
时间转换：
- 模型使用简单的电动汽车代理模型将基于 SoC 的曲线转换为基于时间的曲线。该过程在不同信息可用性水平下（已知与估算的 $C$ 、 $SoC_{ta}$ 和 $SoC_{td}$ ）进行评估。

主要贡献

混合预测工具： 本文概述了一个综合工具，结合了监督学习方法（RF）用于初始曲线估算，以及基于统计距离的方法用于实时优化。
精度量化： 研究量化了模型的预测精度，展示了通过顺序更新带来的改进。
信息影响分析： 作者进行了类似消融的分析，以确定信息可用性（容量、到达 SoC、离站 SoC）对充电曲线时间转换的具体影响。

结果

预测性能： 顺序优化显著提高了精度。未连接预测（使用估算容量）的中位数包络加权平均绝对误差（EMAE）约为 40%。经过连接后的更新，到第 10 次迭代时，中位数 EMAE 降至约 16%。超过 10 次迭代后，误差趋于稳定或略有增加，表明存在一个优化的停止点。
容量估算： 基于 GMM 的容量估算器成功复现了真实电池容量的分布，尽管误差范围可能较宽，从而影响初始预测。
时间转换场景： 针对 $C$ $C$ 、 $SoC_{ta}$ $S o C_{t a}$ 和 $SoC_{td}$ $S o C_{t d}$ 的可用性测试了八种场景。
- 容量（ $C$ ）： 容量估算误差会导致功率曲线的系统性缩放误差，并显著影响充电时间和能量指标的偏差。已知 $C$ 会使分布向对称性转变。
- SoC 信息： $SoC_{ta}$ 和 $SoC_{td}$ 的误差主要影响功率曲线的时间对齐（离散度），而非缩放。
- 综合影响： 当所有变量已知时，时间转换曲线的中位数 EMAE 降至约 45%。研究指出误差会累积，但容量是偏差的主导因素，而 SoC 信息主要影响误差分布的离散度。
- 偏差观察： 模型在大多数场景下表现出低估充电时间的倾向（正时间误差）。

意义与主张
本文声称填补了文献中关于单个电动汽车充电曲线预测的空白，并关键性地分析了不确定信息条件下的时间转换。作者断言，其混合方法提供了一种计算高效的解决方案，适用于滚动时域应用，避免了需要频繁重新训练的深度学习架构所带来的高昂计算成本。

研究强调，虽然个体曲线预测尚未得到充分探索，但它为电网管理和电池感知调度提供了切实的好处。然而，作者谦逊地指出，此类细粒度预测的好处可能会因可用信息的可变程度而受损。结果表明，准确了解电池容量对于减少系统性偏差至关重要，而 SoC 信息对于减少时间和能量估算的离散度则至关重要。未来工作计划整合更广泛的数据库，并将该模型与其他最先进的基线进行基准测试。

1. 两步预测游戏

2. “时间旅行”问题

3. 他们的发现（结果）

总结

类似论文