《Journal of Energy Storage》：Electric vehicle charging patterns: A comprehensive artificial intelligence-based temporal and predictive analysis
编辑推荐：
电动车充电行为结构性变化及机器学习模型时间不变性验证。通过2017-2019与2021-2022年加州充电数据对比，发现用户充电时长从疫情前短时模式转向后疫情长时“啃食”行为（p<0.05），但混合模型（随机森林+梯度提升）仍保持R2>0.84的高预测精度，证明基础物理关系稳定。
Sriram Prabhakara Rao | Olusegun Stanley Tomomewo | Hossein Salehfar | Prakash Ranganathan
北达科他大学能源工程系，美国北达科他州格兰德福克斯市
摘要
电动汽车（EVs）对于向可持续交通行业转型至关重要，但其广泛采用给电网稳定性和能源需求预测带来了复杂挑战。本文利用了美国能源部（DOE）编制的2017年至2022年（2020年除外）的全面数据集，量化了加利福尼亚州电动汽车充电行为的变化。除了传统的探索性分析外，本研究还采用了Welch’s T检验和稳定性检验等统计验证方法，将疫情前的基准期（2017–2019年）与疫情后的“新常态”（2021–2022年）进行了对比。分析结果显示，用户充电行为发生了显著变化：从疫情前的短时充电模式转变为疫情后的长时间“低功率充电”模式。尽管存在这些行为变化，预测模型的时间不变性仍然得到验证。通过对线性回归、决策树、随机森林、梯度提升和支持向量回归等机器学习方法的比较分析，发现混合集成方法（随机森林和梯度提升）在这些不同时间段内仍保持了较高的预测准确性（）。这些发现表明，虽然用户习惯发生了变化，但能源传输的基本物理原理仍然可预测，为韧性基础设施规划和电网管理提供了重要的基于证据的见解。这对政策制定者、公用事业公司和行业利益相关者具有重大意义，因为他们共同致力于构建一个有韧性和可持续的能源生态系统。
引言
全球环境问题以及对可持续出行的需求正在推动电动汽车（EVs）的广泛采用。在国际层面，各国政府通过政策和激励措施来推动EVs的大规模普及，因为EVs是减少交通排放的关键因素。根据国际能源署（IEA）的报告摘要，EVs的销量首次超过了1000万辆[1]。随着电池技术的进步和价格的下降，这一上升趋势持续存在。加利福尼亚州拥有美国最大的EV车队，而完善的充电站网络对于这一转型的持续进行至关重要。更多EVs意味着需要更复杂的充电需求管理。
对EV充电行为的研究有助于改善基础设施、提高电力使用效率、增强电网稳定性以及能源供应的可靠性[2]。EVs充电需求的主要特点是其消费模式的不规律性和时间依赖性（一天中的不同时间、一周中的不同天数以及季节）。不同用户的充电量差异很大，因为充电时间取决于每个用户的驾驶习惯以及充电站的电池容量[4]。这些变化给电网运营商带来了巨大挑战，他们必须在控制成本和环境影响的同时，确保需求波动得到妥善处理[5]。
应对这些挑战的一种方法是深入研究充电模式和电力消耗行为。通过对EV充电时段的时间分析，可以识别出重要的模式和高峰需求时段，从而有助于优化基础设施建设和需求响应[6]。机器学习算法为各种预测建模方法提供了基础，这些方法在更有效地预测未来充电需求方面也证明了其有效性，确保了电网资源的最佳分配[7]。
EVs的采用正在加速，有望推动交通和能源系统的转型，但同时也给能源基础设施带来了诸多挑战。特别是EV充电的时间和行为特征对于优化能源供应、确保电网稳定以及满足高EV采用率地区（如加利福尼亚州）不断增长的需求至关重要[8][9]。能源公司无法完全预测EV用户何时以及如何为车辆充电，这导致了供需之间的不匹配。
尽管与EV相关的研究数量显著增加，但大多数现有研究仅停留在总体使用模式或广泛的需求预测层面[10][11][12][13][14][15]。很少有研究从多年时间跨度出发，审视这些模式的长期稳定性，或统计验证机器学习模型在面对重大行为中断（如COVID-19大流行）时是否仍能准确预测能源供应[8][16][17]。这些空白限制了韧性能源系统的设计。本研究通过结合纵向统计分析和集成机器学习，量化了用户行为的变化以及预测模型的时间不变性，填补了这一空白。
具体来说，本研究旨在回答以下研究问题：RQ1：疫情前的基准期（2017–2019年）与疫情后的“新常态”（2021–2022年）之间，EV充电行为发生了哪些结构性变化？RQ2：尽管用户停留/空闲时间和能源需求发生了显著变化，集成机器学习模型在多大程度上仍能保持预测准确性？
本文还试图从5年的时间尺度分析EV充电模式，包括充电的小时趋势、充电动态以及预测EV充电器需求的模型。本研究重点关注集成学习的统计验证和纵向应用，而非提出新的算法架构，其主要贡献包括：
1. 5年纵向基准和稳定性分析：与仅关注特定年份的研究不同，我们分析了2017–2018年、2019年和2021–2022年的数据集。这使我们能够建立一个可靠的疫情前基准，并统计验证充电预测模型的“时间不变性”，证明能源传输与充电特征之间的基本关系保持稳定（），尽管用户行为发生了显著变化。
2. 行为变化的统计量化：我们使用Welch’s T检验严格量化了2017–2019年基准期与疫情后“新常态”之间能源消耗和停留/空闲时间的变化，为基础设施规划提供了基于证据的指标。
3. 混合集成验证：通过实证基准测试，我们证明了随机森林（RF）和梯度提升（GB）等混合集成模型在三个不同时间段内始终优于单一模型，验证了它们对数据变化的鲁棒性。本研究将评估线性回归（LR）、决策树（DT）、随机森林（RF）、梯度提升（GB）和支持向量回归（SVR）等回归技术，以确定哪些模型在预测充电模式方面表现最佳，从而验证以下假设：
假设1EV充电行为在疫情前后的车站占用率和能源强度方面存在显著的结构变化（）。
假设2尽管行为发生了变化，充电特征与能源传输之间的基本功能关系在时间上保持不变，使得混合集成模型仍能保持高预测准确性（）。
本研究的结果对基础设施规划和电网管理具有重大意义。利用EV充电时间序列数据，公用事业公司可以识别EV用户的高峰和非高峰充电时段，从而激励非高峰充电，减轻高峰时段的电网负荷。此外，本研究建立的预测模型为能源消耗提供了可靠的预测技术，使公用事业公司能够更有效地监控资源并提高电网可靠性。这项研究展示了机器学习在解决实际问题（如能源预测）方面的潜力。总体而言，这项工作为开发可持续、有韧性和综合的能源系统提供了未来方向。
参考文献
现有文献
随着EVs的普及，关于EV充电行为、基础设施设计以及EVs对能源需求预测和电网稳定性影响的大规模研究日益增多[18][19][20]。在本文献综述中，我们总结了与EV充电行为、充电活动的时间分析、能源需求预测以及机器学习应用相关的现有文献中的重要发现
数据收集
本文分析了从美国能源部（DOE）获得的一个EV充电站数据集，该数据集包含了2017–2019年和2021–2022年间加利福尼亚州EV充电会话的详细信息[55]。选择加利福尼亚州作为研究地点，是因为该地区拥有完善的充电网络和高EV采用率。
结果
本节概述了利用机器学习模型预测EV充电需求的结果。我们介绍了所有预处理步骤，包括对模型性能的进一步解释、特征重要性和评估细节。这些模型在不同指标方面进行了评估，并讨论了它们对EV充电需求预测的影响。
讨论
本研究的结果有助于我们更好地理解EV充电行为和预测。充电会话中的时间模式表明，周期性因素（如季节性、一周中的不同天数和一天中的不同时间）在驱动充电行为方面起着重要作用。了解这些变化对于制定优化充电基础设施和电网管理的策略至关重要。预测建模显示，随机森林（RF）和梯度提升（GB）等机器学习方法在预测方面表现优异
结论
本研究对EV充电行为和能源需求预测进行了全面的纵向分析，涵盖了五个关键行业转型时期（2017–2022年）。通过从描述性观察转向统计验证，我们量化了用户行为的变化，并证明了机器学习集成模型在这些变化中的适应性。
- •
行为变化的统计确认：通过严格的Welch’s T检验，我们验证了这些变化
CRediT作者贡献声明
Sriram Prabhakara Rao：撰写 – 审稿与编辑、初稿撰写、可视化、验证、方法论、调查、正式分析、数据整理、概念化。Olusegun Stanley Tomomewo：监督、项目管理。Hossein Salehfar：撰写 – 审稿与编辑、监督、项目管理、方法论、调查、正式分析、概念化。Prakash Ranganathan：撰写 – 审稿与编辑、监督、项目管理、方法论、调查、正式分析、概念化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
