🤖 AI

A Behavior-Guided Online Probabilistic Forecasting Method for Electric vehicle Charging Loads

本文提出了一种行为引导的在线概率预测框架，该框架利用双时间尺度行为表示和延迟反馈，以有效捕捉持久的特定站点模式和近期的行为变化，从而显著提高在不断变化的运行条件下电动汽车充电负荷预测的准确性和可靠性。

原作者： Chenghan Li, Qingxiang Liu, Yinliang Xu, Yuxuan Liang

发布于 2026-08-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Chenghan Li, Qingxiang Liu, Yinliang Xu, Yuxuan Liang

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

电网是一个庞大而精密的机器，必须实时平衡供应与需求。几十年来，这种平衡依赖于可预测的模式：工厂在白天运转，住宅在傍晚亮起灯火，其余时间则处于稳定的节奏之中。电动汽车的兴起为这个方程式引入了一个新的、不可预测的变量。与运行固定日程的工厂不同，电动汽车是由人类的选择驱动的。驾驶员可能会在长途通勤后在快速充电站充电，也可能在工作场所缓慢插电充电八小时。这些决策因人而异，也因站点而异，这造成了不仅规模巨大而且高度不稳定的电力负荷。当数百万辆此类车辆接入电力系统时，它们的集体充电行为会以难以预料的方式改变电网负荷。如果电网运营商无法预测这些电力需求激增何时以及何地发生，他们就面临着效率低下甚至不稳定的风险。因此，挑战不仅在于猜测未来，更在于理解数字背后的行为习惯，并随着这些习惯的变化而进行调整。

一组研究人员开发出一种全新的方法来预测这些充电负荷，这种方法超越了简单的统计猜测。他们没有将电网视为一个过去模式简单重复的静态系统，而是构建了一个能够识别每个充电站特定“个性”及其个性如何实时变化的系统。他们发现，每个充电站都有一个长期节奏——即基于其服务的车辆和驾驶员类型而呈现出的持久行为模式。然而，这种节奏并非固定不变；它会随着驾驶员改变常规、新基础设施的开放或天气改变出行习惯而发生漂移。研究人员的方法将这两股力量分离：即充电站深层的、稳定的习惯，以及近期驾驶员行为中转瞬即逝的变化。通过区分一个站点“一直以来是什么样”以及“现在是如何表现的”，该系统可以对未来的电力需求做出更为准确的预测。

这种方法的核心是一个具有两种不同速度记忆功能的双时间尺度模型。系统的其中一部分保留了站点历史行为的长期记忆，建立了该特定位置“正常情况”的基准线。另一部分则不断观察最近的活动，寻找与该基准线的偏差。当一个站点的行为开始发生漂移时——例如，由于附近的办公楼开始了新的轮班制度，或者一个新的充电应用程序改变了用户习惯——系统会立即检测到这种转变。至关重要的是，研究人员并没有仅仅将这些变化视为原始数字。他们将长期习惯与近期活动之间的差异转化为一种“语义”描述，有效地教会了计算机理解变化的本质。这使得预测模型能够根据行为转变的具体含义来调整其预测，而不仅仅是针对统计异常做出反应。

为了测试这一想法，团队将该方法应用于来自十个不同电动汽车充电站的真实数据，每个站点都有其独特的各类用户和运行条件。他们将自己的方法与几种现有的预测模型（包括那些旨在处理变化数据模式的模型）进行了对比。结果显示，新方法始终优于其他方法。对于提前一小时进行的预测，与之前最好的方法相比，新系统减少了超过15%的预测误差。当看向更远的未来，即四小时后时，这种改进变得更加显著，误差减少幅度接近17%。除了更准确之外，该系统还提供了更好的不确定性估计。它不仅能告诉电网运营商需要多少电量，还能告知其对该数值的信心程度，提供一个符合实际结果的可靠可能性范围。

研究还表明，系统的适应能力与其检测到的充电行为变化程度直接相关。当驾驶员习惯保持稳定时，系统依赖于长期模式。但当行为发生显著变化时，系统检测并解释这些变化的能力成为了决定其准确性的关键因素。这表明，管理未来电网的关键不仅在于拥有更多数据，而在于拥有一种理解数据背后“故事”的方法。通过明确地对站点的持久特征与其当前“情绪”之间的差异进行建模，研究人员创造了一个能够跟上电动出行演变步伐的工具。研究结果表明，随着电动汽车普及率的持续增长，能够解读人类行为的预测系统对于保持电网稳定和高效将至关重要。

技术摘要：面向电动汽车充电负荷的行为引导式在线概率预测

1. 问题陈述

电动汽车（EV）的快速集成为电力系统负荷引入了显著的异质性和时间变异性。与传统负荷不同，电动汽车充电需求是由个体移动性和充电决策驱动的，这导致用户和充电站之间呈现出多样化的模式。一个关键的挑战在于这些行为的非平稳性：出行习惯、偏好和基础设施可用性不断演变，导致了“概念漂移”（concept drift），即未来的负荷会偏离历史学习到的模式。

现有的预测方法面临两个主要局限性：

侧重于离线/静态建模： 许多方法依赖于历史数据来学习固定的时空依赖关系，未能显式地建模特定站点的行为如何随时间演变。
缺乏在线自适应中的行为可解释性： 虽然近期的在线预测方法解决了概念漂移问题，但它们通常基于统计分布偏移、预测误差或潜在表示进行自适应。它们往往无法明确表征发生了什么具体的行为变化（例如，峰值时间的偏移或持续时间的改变），以及这些偏差如何与站点的持久基准相关联。

因此，需要一种统一的在线框架，能够显式地将持久的站点特定模式与近期的行为演变区分开来，并将这些偏差转化为可用于概率自适应的有效信息。

2. 方法论

本文提出了一种行为引导的在线概率预测框架，该框架通过整合双时间尺度行为建模与语义编码来引导模型自适应。其核心组件包括：

A. 双时间尺度行为建模

该框架构建了一个将长期稳定性与短期波动性分离的表示形式：

长期行为锚点 ( $b^L_s$ )： 源自初始历史观测数据（ $D_L$ 天），该锚点代表了持久的、站点特定的充电模式（例如典型的每日负荷曲线）。在在线运行期间，该锚点保持固定。
近期行为状态 ( $b^R_{s,t}$ )： 通过对近期观测数据的滚动窗口（ $D_R$ ）进行持续提取。
行为偏差 ( $\Delta b_{s,t}$ )： 计算为近期状态与长期锚点之间的差异。这显式地量化了当前充电行为如何偏离该站点的历史基准。

B. 行为-语义提示编码

为了利用语言模型的解释能力，数值化的行为描述符（平均活跃度、波动率、零负荷比例等）被转换为自然语言提示词。

提示词构建： 为每个描述符生成一段提示词，描述近期状态及其相对于长期锚点的偏差。
语义编码： 一个冻结的预训练大语言模型（LLM）将这些提示词编码为紧凑的语义空间（ $e_{z,s,t}$ ）。这一步骤将原始的数值偏差转化为行为演变的语义表示。

C. 行为引导的在线概率自适应

框架采用延迟反馈机制以确保时间上的连贯更新。预测结果会被存储，直到目标观测值可用时，模型才会进行更新。

漂移感知门控： 门控机制根据行为偏差的大小计算漂移强度（ $g_{s,t}$ $g_{s, t}$ ）。该强度动态地调节以下内容：
1. 行为感知残差修正项（ $r_{s,t}$ ）对时间表示的贡献。
2. 在线学习率（ $\eta_{s,t}$ ），使得模型在检测到显著行为变化时能够更快地进行自适应。
预测输出： 自适应后的表示通过单调分位数解码器生成概率预测（中位数和预测区间）。

3. 核心贡献

本文确定了三个主要贡献：

双时间尺度行为建模： 一种通过区分持久的站点特定模式与近期偏差，来显式表征异质性电动汽车充电行为的方法。不同于以往通过时间表示来适应分布偏移的在线方法，本方法从行为演变的视角进行了表征。
行为-语义引导的自适应： 一种将识别出的行为偏差转化为可操作信息的创新方法。通过使用冻结的 LLM 来编码行为提示，该框架在语义层面解释变化，并利用轻量级适配器和漂移感知门控来引导在线概率自适应。
实证验证： 在包含十个异质充电站的真实数据集上进行了广泛评估，证明了该方法在不同预测时界下均优于传统的模型和最先进的在线基准模型。

4. 实验结果

所提方法在十个异质电动汽车充电站上进行了评估，针对 1 小时和 4 小时提前量预测，与五种基准模型（TCN, PatchTST, LSTM, FSNet, 和 OneNet）进行了对比。

预测准确度： 对于 1 小时提前量预测，该方法相比表现最好的基准模型，将均方误差（MSE）降低了 15.3%，将 Pinball 损失降低了 17.8%。对于 4 小时提前量预测，改进分别达到了 16.8% (MSE) 和 22.6% (Pinball loss)。
概率可靠性： 该方法实现了 0.898 (1-h) 和 0.897 (4-h) 的预测区间覆盖概率（PICP@90），非常接近 0.90 的标称水平。至关重要的是，这种高覆盖率是在没有过度扩大预测区间的情况下实现的，其预测区间平均宽度（PINAW）低于竞争性的在线基准模型。
消融实验： 结果证实了长期锚点与近期行为组件之间的互补性。在高度行为漂移条件下，该框架的优势最为显著，表明其机制能有效响应剧烈变化。
计算效率： 尽管引入了语义模块，其推理时间仍保持在较低水平（1.85 ms/样本），且计算开销被认为是对于在线实现而言是可控的。

5. 重要性与主张

本文声称其主要意义在于弥合了电动汽车充电行为分析与在线负荷预测之间的鸿沟。

超越黑盒自适应的可解释性： 不同于将时间变化视为抽象统计偏移的现有方法，本框架显式地表征了用户行为发生了什么变化（例如，峰值时间的偏移或负荷波动性的变化），并利用这种语义理解来引导自适应。
对演变的鲁棒性： 通过将持久模式与近期偏差相结合，该框架即使在充电行为不断演变的情况下，也能保持预测精度和概率校准，解决了基于固定历史数据训练模型的局限性。
可操作的指导： 该方法将行为偏差转化为对预测模型具体的、可操作的调整，而非仅仅依赖于基于误差的参数更新。

作者得出结论，将不断演变的电动汽车充电行为纳入在线预测对于可靠的电动汽车负荷管理至关重要，而他们提出的框架为这一挑战提供了一个鲁棒且具有解释性的解决方案。