💻 computer science

Context-Enriched Graph Neural Networks for EV Charging Station Energy Demand Forecasting

本文提出了一种上下文增强的时空图神经网络框架，该框架通过整合异构城市数据，在多种城市及半乡村场景下，显著提升了电动汽车充电站能量需求预测的准确度，并优于传统的时序模型。

原作者： Douaidi Lydia, Senouci Sidi-Mohammed, Zekri latifa-Aya, Fouzi Harrou

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Douaidi Lydia, Senouci Sidi-Mohammed, Zekri latifa-Aya, Fouzi Harrou

原始论文采用 CC BY 4.0 许可（https://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，一座城市就像一个巨大的、有生命的有机体，其中的电动汽车（EV）就像是血液细胞，而充电站则是维持它们运转的“心瓣膜”。正如心脏需要知道何时加强或减弱泵血以保持身体健康一样，电网也需要准确了解这些充电站明天究竟需要多少能量，以避免停电或电力浪费。

这篇论文本质上是在编写一份构建超级智能“天气预报员”的食谱，用于预测充电站的电力需求。以下是作者如何利用简单的类比来构建它的：

问题所在：“孤岛”错误

此前，专家们试图通过孤立地观察一个充电站来预测其电力需求。这就像是通过只观察单栋建筑上方的天空来预测纽约的天气，却忽略了从下一条街道吹来的风或整个城市的交通模式。

作者意识到，充电站并非存在于真空之中。如果购物中心附近的充电站挤满了车，那么三条街外的充电站可能就会空空如也，因为大家都去了那里。旧的方法忽略了这些关联性。

解决方案：“邻里守望”网络

为了解决这个问题，研究人员构建了一个上下文增强型图神经网络（Context-Enriched Graph Neural Network）。让我们来拆解一下这个高大上的名字：

图（邻里地图）： 他们不再将充电站视为独立的点，而是绘制了一张将它们全部连接起来的地图。可以将这想象成一个“邻里守望”网络，每个充电站都是一栋房子，而它们之间的道路就是连接。
“上下文”（额外信息）： 他们不仅观察电力数据，还向计算机输入了关于该社区的额外“线索”，例如：
- 兴趣点（POIs）： 充电站是在健身房、学校还是高速公路附近？（人们在健身房充电的方式与在加油站充电的方式不同）。
- 人口密度： 这里是繁忙的市中心，还是安静的乡村小镇？
- 历史数据： 昨天、上周或上个月消耗了多少能量？
“大脑”（AI 模型）： 他们测试了四种不同类型的“大脑”（AI 架构），以观察哪一个能最好地解读这张地图和这些线索。他们将这些模型命名为 MTGNN、ASTGCN、STConv 和 A3TGCN。

实验：两座城市的传奇

为了验证他们的“邻里守望”是否真的有效，他们在两个截然不同的真实场景中进行了测试：

美国帕洛阿尔托（Palo Alto）： 一个繁华、技术密集型的城市区域（类似于繁忙的市中心）。
法国永河省（Yonne）： 一个较安静的半农村地区（类似于小镇与乡村的结合）。

他们将这种新的“图”大脑与旧的、标准的预测方法（称为 LSTM 和 GRU）进行了对比，后者仅关注时间维度而忽略了邻里间的连接。

结果：胜者为王

结果显而易见。旧的方法就像是在蒙着眼睛开车，完全看不见周围的交通状况。而新的“图”方法则看到了全局。

冠军： MTGNN 模型是表现最出色的选手。在美国城市，它的预测误差率仅为 8.32（相比之下，旧方法的误差超过 10）。在法国的农村地区，它的得分是 15.16（同样击败了得分超过 18 的旧方法）。
亚军： ASTGCN 也表现得非常出色，尤其是在法国的数据集中。
速度： 不仅更准确，这些优秀的模型也更快。MTGNN 模型可以在极短的时间内做出预测，而旧模型则需要更长的时间来处理数据。

核心启示

论文结论指出，要准确预测电力需求，你不能只看时钟，还必须看地图。通过将充电站视为一个相互连接的网络，并向 AI 输入有关周围城市（商店、道路、人口）的信息，我们可以更可靠地预测能源需求。

作者发现，MTGNN 模型是这项工作的最高效工具，它能够处理繁忙的城市和安静的小镇，而不会感到困惑。这有助于电网运营商进行更好的规划，确保我们在需要时有足够的电力供应，同时在不需要时不会浪费能源。

技术摘要：用于电动汽车充电站能量需求预测的上下文增强型图神经网络

1. 问题陈述

电动汽车（EV）的快速普及加剧了对充电基础设施的需求，给电网带来了显著压力，并为电网稳定性及可持续城市出行带来了挑战。准确的能量需求预测对于充电站运营商（CSO）平衡供需、管理电网负荷以及规划基础设施扩张至关重要。

然而，现有的预测方法面临两个主要局限性：

忽视空间依赖性： 许多方法将充电站视为孤立的实体，未能捕捉到空间相互依赖关系，即一个站点的需求会受到其邻近站点及周围城市环境的影响或反之亦然。
对异构数据利用不足： 当前模型往往未能充分利用上下文城市数据，例如兴趣点（POI）分布和人口密度，而这些数据是驱动充电行为的关键因素。

因此，需要一种能够共同建模时间动态和空间相关性，同时整合多样化上下文特征的框架，以提高不同地理环境下的预测准确性和泛化能力。

2. 方法论

作者提出了一种**时空图神经网络（STGNN）**框架，旨在进行站点级的日前（day-ahead）能量需求预测。该方法通过将异构数据源集成到静态空间图中，以建模复杂的能量模式。

2.1. 图构建与表示

节点： 每个节点代表一个特定的电动汽车充电站（EVCS）。
边：构建一个静态空间图，其中边编码了站点之间的关系。这些关系由以下定义：
- 物理接近度： 源自路网连通性（最短路径行驶时间/距离）。
- 功能接近度： 反映了服务于相似城市角色的站点之间在需求上的相关性，即使它们在地理上并不相邻。
节点特征： 每个节点都通过一个异构特征向量进行增强，包括：
- 历史负荷概况： 滞后能耗（1天、3天、7天）及滚动统计数据（均值、标准差）。
- 上下文城市数据： 从 OpenStreetMap 提取的 POI 分布（如停车场、住宅区、办公区、道路类型）和人口密度。
- 时间指标： 星期几、月份、节假日指标以及高峰使用标志。
- 会话数据： 滞后的会话计数和持续时间。

2.2. 预测框架

该框架采用滑动窗口机制来处理时间序列。

输入： 所有 $N$ 个节点的历史观测序列（ $w$ 个时间步），表示为 $X_{t-w+1:t} \in \mathbb{R}^{w \times N \times F}$ 。
处理： 模型利用消息传递机制在连接的站点之间传播信息，允许每个站点与其邻居进行迭代式的信息交换。这捕捉了局部需求波动如何影响周围节点。
输出： 模型同时预测所有站点在下一个时间步（日前）的能耗。

2.3. 模型架构

研究系统地将四种先进的 STGNN 架构与仅基于时间的基准模型（LSTM 和 GRU）进行了对比测试：

MTGNN（多元时间图神经网络）： 将时间卷积与自适应图结构学习相结合，以处理多元时间序列数据。
ASTGCN（基于注意力的时空图卷积网络）： 应用空间和时间注意力机制来捕捉动态依赖关系。
STConv（时空卷积网络）： 通过图卷积高效地建模局部时间模式。
A3TGCN（注意力时间图卷积网络）： 结合了门控时间单元与注意力机制进行序列学习。

2.4. 数据预处理

数据集： 使用了两个具有地理多样性的数据集：
- 美国帕洛阿尔托（Palo Alto）： 一个城市数据集（46个站点，2018–2020年）。
- 法国约讷（Yonne）： 一个半农村数据集（133个站点，2021–2022年）。
降噪： 采用指数移动平均（EMA）来平滑噪声数据，减少瞬态异常的影响，同时保留潜在趋势。
数据清洗： 对异常值进行了修正，并排除了 COVID-19 疫情期间的数据（该时期具有非典型使用特征），以确保基于常规运营模式进行训练。

3. 主要贡献

本文概述了三个主要贡献：

一种新型预测框架： 提出了一个站点级、日前预测框架，利用先进的 STGNN 架构（MTGNN、ASTGCN、STConv、A3TGCN），该框架明确地对时间演化和空间相互依赖关系进行建模。
上下文增强型数据融合： 将多源数据（包括空间关系、历史使用情况和上下文城市特征，如 POI、人口密度）集成到节点特征向量中。这种方法捕捉了由空间连通性、用户行为和人口统计因素塑造的需求波动。
全面评估： 在两个对比鲜明的真实世界数据集（城市 vs. 半农村）上，使用多种指标（RMSE、MAE、MSE、 $R^2$ ）对 STGNN 与成熟的时间基准模型（LSTM、GRU）进行了严格评估。

4. 实验结果

实验在 Palo Alto 和 Yonne 数据集上进行，采用 60/20/20 的训练/验证/测试集划分。

4.1. 性能指标

Palo Alto 数据集（城市）：
- 最佳模型： MTGNN 实现了最低的测试 RMSE (8.32) 和最高的 $R^2$ (0.86)，优于 LSTM (RMSE 10.65) 和 GRU (RMSE 11.31)。
- 效率： MTGNN 展示了极高的计算效率，执行时间为 0.12 分钟。
Yonne 数据集（半农村）：
- 最佳模型： ASTGCN 和 MTGNN 并列最高准确度，两者 $R^2$ 均为 0.86。ASTGCN 的测试 RMSE (15.16) 略低于 MTGNN (15.54)。
- 基准对比： 两者 STGNN 均显著优于 LSTM (RMSE 18.24) 和 GRU (RMSE 20.36)。
- 执行时间： MTGNN (1.39 分钟) 和 ASTGCN (2.14 分钟) 明显快于基准模型 (LSTM: 73.03 分钟；GRU: 109.39 分钟)。

4.2. 分析

空间依赖性： 基于图的模型表现优于 LSTM 和 GRU，证实了捕捉站点间空间相关性对于准确预测至关重要。
模型特性：
- MTGNN 在两个数据集上均表现稳健，尤其在处理多元时间序列数据方面非常有效，并在城市环境下提供了准确性与速度的最佳平衡。
- ASTGCN 在半农村环境下表现出色，利用其注意力机制来建模复杂的时空依赖关系。
- STConv 表现出具有竞争力的准确度，但面临较高的计算开销（例如，Palo Alto 约为 58 分钟）。
- A3TGCN 拥有最快的执行时间，但在高变异场景下的泛化能力较弱，导致 $R^2$ 得分较低。

5. 重要性与主张

本文声称，基于图的时空建模能够在不同的城市环境中实现准确、高效且可泛化的 EVCS 预测。通过将异构城市数据（POI、人口）与历史负荷概况相结合，所提出的框架解决了现有方法忽视空间依赖性的局限性。

研究强调了该框架在减少数据需求的同时，在异构城市背景下的可复现性和适应性，使其在基础设施规划和电网协调方面具有实际应用价值。结果表明，STGNN（尤其是 MTGNN 和 ASTGCN）为管理电气化交通的能量需求提供了坚实的基础，相比传统的仅基于时间的模型提供了显著改进。

未来方向： 作者建议未来的工作应侧重于：

集成实时交通信息。
利用强化学习进行精细化优化。
应用迁移学习（Transfer Learning），将模型从数据丰富的地区适配到数据匮乏的背景下（如新兴市场）。
利用元学习（Meta-learning） 实现对新站点或不断变化的需求条件的快速模型适配。