一种基于改进的支持向量机（SVM）和射频（RF）技术的电动汽车充电开始时间预测方法

《Journal of Energy Storage》：A charging start time prediction method for electric vehicles based on improved SVM and RF

电动汽车充电起始时间预测模型基于历史行为数据，采用改进的WMK-SVM和CW-RF算法，通过特征工程和模块化设计，实现充电状态过渡和起始时间的精准预测，误差较传统方法降低20分钟以上，为电网调度优化提供支持。

　　

张兆生|彭鹏|王梓旭|倪琳|王振波

北京工业大学国家电动汽车工程实验室，北京，100081，中国

摘要

随着电动汽车的迅速普及和车对网（V2G）技术的不断进步，充电需求的预测已成为一个关键的研究方向。为了解决预测电动汽车充电开始时间的挑战，本文提出了两种改进的算法，即WMK-SVM和CW-RF，并基于这两种方法进一步开发了一个电动汽车充电开始时间预测模型。具体来说，本研究实施了三个连续步骤：首先，根据车辆的充电和驾驶行为定义待充电状态；其次，通过统计分析历史数据将部分离散特征转换为基于频率的指标，以提高模型的识别能力；最后，利用WMK-SVM算法构建待充电状态预测模块，利用CW-RF算法构建充电状态预测模块。基于多辆车的全年运行数据，确定了模型的最佳参数，并对其必要性、可靠性和稳定性进行了深入分析。与其他机器学习方法相比，所提出的模型通过将预测误差总体上减少了约20分钟，成功验证了其准确预测车辆充电开始时间的能力。这有助于电网侧根据预测结果预测目标时间段内连接到电网的车辆数量，从而通过调整电价等措施避免在高峰用电时段因大量车辆连接而导致的电网运行压力。最终，这一策略可以提高电网的运行效率，并有效应用于实际车辆运行场景。

引言

在全球应对气候变化和促进绿色低碳发展的背景下，电动汽车（EV）作为一种清洁高效的交通方式正在全球范围内迅速普及[1]、[2]、[3]。研究表明，与传统内燃机车辆相比，电动汽车可以减少约45%的碳排放，从而显著降低交通领域的环境污染[4]、[5]。然而，随着电动汽车数量的快速增长，出现了一系列新的挑战，其中充电需求的管理和预测尤为突出[6]、[7]。

准确预测充电需求是实现车对网（V2G）技术的关键因素。V2G技术使电动汽车能够在空闲时段将储存的能量反馈到电网中，从而在高峰需求期间提供额外的电力，有助于改善负荷平衡、系统效率和整体电网稳定性[8]、[9]。此外，V2G技术可以通过动态定价机制鼓励用户在非高峰时段充电[10]、[11]。因此，可靠的充电需求预测对于V2G技术至关重要。

已经开展了大量研究以更好地理解和预测充电需求。在预测是否会发生充电行为方面，Ai等人提出了一种双层混合堆叠集成学习方法，结合多种机器学习算法来预测电动汽车是否会在第二天充电[12]。对于预测充电持续时间，Xiong等人使用平均估计方法预测充电会话持续时间，然后利用会话持续时间通过线性回归获得能耗预测[13]。为了提高准确性，Ullah等人结合实际驾驶数据使用多种机器学习算法进行电动汽车充电时间预测，并使用解释性机器学习方法量化特征对充电持续时间的影响[14]。对于充电负荷预测，Xin等人提出了一种方法，该方法结合了谱聚类、深度学习网络和蒙特卡洛模拟，通过对历史负荷数据进行采样和模拟来估计电动汽车的充电负荷[15]。Frendo等人开发了一种数据驱动的方法，将机器学习模型集成到智能充电算法中以预测充电负荷曲线[16]。对于预测充电位置，Marlin等人使用卷积神经网络构建了一个模型，能够成功预测充电开始前1至3天的充电位置[17]。

尽管这些关于持续时间和负荷预测的研究对充电需求研究很有价值，但很少有研究关注预测充电开始时间，而这同样对于理解充电需求至关重要。对于电网侧来说，准确预测电动汽车的充电开始时间可以实现对未来不同地区和时间的连接车辆数量的统计分析。根据预测结果，电网可以实施动态定价策略或向车辆用户提供指导，从而减轻高峰用电时段由于大量车辆连接而导致的电网运行压力。最终，这一策略可以提高电网的运行效率，并有效应用于实际车辆运行场景。

介绍

在全球应对气候变化和促进绿色低碳发展的努力中，电动汽车（EV）作为一种清洁高效的交通方式正在全球范围内迅速普及[1]、[2]、[3]。研究表明，与传统内燃机车辆相比，电动汽车可以减少约45%的碳排放，从而显著降低交通领域的环境污染[4]、[5]。然而，随着电动汽车数量的快速增长，出现了一系列新的挑战，其中充电需求的管理和预测尤为突出[6]、[7]。

准确预测充电需求是实现车对网（V2G）技术的关键因素。V2G技术使电动汽车能够在空闲时段将储存的能量反馈到电网中，从而在高峰需求期间提供额外的电力，有助于改善负荷平衡、系统效率和整体电网稳定性[8]、[9]。此外，V2G技术可以通过动态定价机制鼓励用户在非高峰时段充电[10]、[11]。因此，可靠的充电需求预测对于V2G技术至关重要。

已经开展了大量研究以更好地理解和预测充电需求。在预测是否会发生充电行为方面，Ai等人提出了一种双层混合堆叠集成学习方法，结合多种机器学习算法来预测电动汽车是否会在第二天充电[12]。对于预测充电持续时间，Xiong等人使用平均估计方法预测充电会话持续时间，然后利用会话持续时间通过线性回归获得能耗预测[13]。为了提高准确性，Ullah等人结合实际驾驶数据使用多种机器学习算法进行电动汽车充电时间预测，并使用解释性机器学习方法量化特征对充电持续时间的影响[14]。对于充电负荷预测，Xin等人提出了一种方法，该方法结合了谱聚类、深度学习网络和蒙特卡洛模拟，通过对历史负荷数据进行采样和模拟来估计电动汽车的充电负荷[15]。Frendo等人开发了一种数据驱动的方法，将机器学习模型集成到智能充电算法中以预测充电负荷曲线[16]。对于预测充电位置，Marlin等人使用卷积神经网络构建了一个模型，能够成功预测充电开始前1至3天的充电位置[17]。

虽然这些关于持续时间和负荷预测的研究对充电需求研究很有价值，但很少有研究关注预测充电开始时间，而这同样对于理解充电需求至关重要。对于电网侧来说，准确预测电动汽车的充电开始时间可以实现对未来不同地区和时间的连接车辆数量的统计分析。根据预测结果，电网可以实施动态定价策略或向车辆用户提供指导，从而减轻高峰用电时段由于大量车辆连接而导致的电网运行压力。对于用户来说，及时从电网接收充电指导可以减少浪费的充电时间，并避免出现没有充电站可用的情况。

然而，电动汽车用户通常表现出不同的个人充电习惯和偏好的充电行为模式[18]、[19]、[20]，这使得传统方法难以准确预测电动汽车的充电开始时间。因此，准确识别电动汽车的充电意图并预测其确切的充电开始时间已成为一个亟待解决的问题。

为了解决上述问题，本文提出了一个基于车辆历史数据的充电开始时间预测模型。使用加权多核支持向量机（WMK-SVM）和综合加权随机森林（CW-RF）算法建立了两个模块，这两个模块共同利用实时车辆数据来预测待充电状态的进入时间和相应的充电开始时间。本文的贡献和创新如下：1.

提出了一个电动汽车充电开始时间预测模型，可以准确预测车辆何时进入待充电状态并开始充电。在实际车辆数据中，预测待充电状态进入时间和充电开始时间的平均误差分别仅为33.06分钟和21.11分钟。这解决了准确预测充电开始时间的问题，有助于电网侧了解未来将连接到电网的车辆数量，从而减轻电力需求压力，并引导用户前往合适的充电站，减少等待时间；

2.

介绍了WMK-SVM和CW-RF算法，提高了预测准确性。与传统的SVM和RF算法相比，改进后的算法在实际车辆数据中将预测误差分别减少了19.00分钟和17.51分钟。

本文的其余部分组织如下：第2节简要描述了数据来源和数据预处理步骤。第3节详细介绍了基于WMK-SVM和CW-RF算法开发的充电开始时间预测模型。第4节分析和讨论了模型参数的确定以及预测结果，总结并反思了模型的各个方面。最后，第5节对本文进行了总结。

部分摘录

数据采集

本文使用的车辆数据来自国家新能源汽车监测管理中心（NMMCNEV）。通过无线通信，NMMCNEV监测纯电动汽车、混合动力汽车、插电式混合动力汽车和燃料电池汽车，收集包括时间戳、电流、电压、速度、SOC（状态电量）等在内的运行数据。该平台的功能包括但不限于车辆安全报警、运行调度、性能评估等。

电动汽车行为分析

为了简洁描述电动汽车的驾驶和充电行为，数据被划分为不同的时间段。充电时间段指的是从开始充电到结束的整个过程。每次充电事件可以被视为一个独立的充电时间段。驾驶时间段指的是电动汽车处于运动状态的时间段，包括车辆在红绿灯处停车但保持通电的情况。停车时间段指的是电动汽车

验证与讨论

本节使用前面提到的车辆1至20的历史数据进行分析和验证。该节不仅评估了充电开始时间预测模型中两个模块的可靠性、必要性和稳定性，以展示模型的优势，还客观讨论了模型存在的局限性，实验结果揭示了不合理的行为。

结论

本文基于电动汽车的历史行为数据开发了一个充电开始时间预测模型。结果表明，使用WMK-SVM和CW-RF算法构建的模型能够有效预测电动汽车进入待充电状态以及实际的充电开始时间。通过对真实世界电动汽车数据集的广泛分析，证明了所提出模型的可靠性、必要性和稳定性。

CRediT作者贡献声明

张兆生：方法论、数据整理、概念化。彭鹏：撰写——原始草稿、可视化、软件。王梓旭：调查、正式分析。倪琳：撰写——审阅与编辑、验证。王振波：监督、资源协调。

写作过程中生成式AI和AI辅助技术的声明

在准备本工作时，作者使用ChatGPT来纠正语法错误并提高论文的流畅性。使用该工具后，作者根据需要对内容进行了审阅和编辑，并对出版物的内容负全责。

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会影响本文报告的工作。

致谢

本研究未获得公共部门、商业部门或非营利部门的任何特定资助。