应用监督机器学习回归方法对公共充电站的充电需求（数据驱动型）进行预测

关注我们，为您推送更多最新资讯。

研究背景

电动汽车的快速发展，需要通过合理策略在道路上建立充电基础设施，以满足所有用户的需求。预测插电式电动车 (PEV) 的充电需求 (充电过程中消耗的能量) 有助于有效管理电网。然而，由于充电需求和电池尺寸的变化，现有的充电需求预测面临着许多挑战。为了应对这些问题，来自美国内布拉斯加大学林肯分校的学者们提出三种机器学习方法来预测PEV用户的充电需求，同时，使用从美国内布拉斯加州公共充电站收集的实验数据对提出的预测方法进行验证。

研究过程及结果

本项工作旨在现有研究基础上，应用三种机器学习方法来预测充电会话开始后PEV用户充电需求，目的是促进依赖于需求预测的各种调度或V2G解决方案。

首先，文章概述了现有的PEV用户充电行为及其对电网的影响；其次，对于从美国内布拉斯加州公共充电站收集的实验数据进行数据处理和分析，同时评估影响充电需求的参数；为了更准确地分析和预测充电行为的趋势，研究从集合中删除了几个数据点，最终数据集由22231个充电会话组成，对于每个充电会话，总共使用十二个参数来预测充电需求；随后，选取梯度提升 (XGBoost)、随机森林 (RF) 和支持向量机 (SVM) 三种机器学习方法对充电需求进行预测，并给出预测框架 (图1)。为了执行回归分析、调整模型和测试性能，完整的数据集分为训练、验证和测试三个子集。研究结果表明，回归方法XGBoost在预测充电需求方面略优于其它方法 (图2,3)，RMSE等于6.68 kWh，R2等于51.9%。本文还讨论了输入变量的相对重要性，表明用户的历史平均需求具有最大的预测值。此外，与多个用户的每日或每小时需求相比，会话充电需求的准确预测对于公用事业公司和充电网络有许多可能的应用，包括调度、电网稳定性和智能电网集成。

图1.充电需求预测框架。

图2.每种方法的预测值与观测值。

图3.每种预测方法的残差。

结论

本研究使用XGBoost、RF和SVM三种机器学习方法进行充电需求预测。结果表明，回归算法XGBoost在预测能耗方面优于其它算法，但所有方法均只有中等精度，约占用户行为方差的50%。在此数据集中，预测值的主要统计量是用户对过去会话的平均需求，并且预测误差的很大一部分集中于一小部分不稳定的用户中。虽然在这项研究中，所提出的预测方法已应用于来自多个不同站点的数据，但该方法针对较小区域甚至单个站点的数据，可能提供更好的预测效果。此外，该方法考虑的特征空间足够小，算法足够快，可以在动态实时模型中实现未来充电需求的预测。

本研究的一个障碍是分析大量半随机数据，这导致难以找到一个预测模型来描述充电和停车行为，因此，未来可以使用其它回归模型、深度学习和神经网络执行进一步分析；此外，对充电点运营商目前未记录的输入参数进行分析，可以在用户行为和充电需求之间产生新的相关性。这项工作的扩展可以通过分析公共和住宅充电站的充电行为来完成。V2G技术可用于使用预测的能量值来管理峰值需求期间的电网和客户能源使用。

文章链接：https://www.mdpi.com/799282