面向预测个体电动汽车充电参数的综合增量式和集成学习方法
系统与控制
2025-08-26 v1 系统与控制
摘要
电动汽车（EV）通过智能充电策略有望减轻电网负担，同时满足用户需求。这需要准确预测诸如能源需求和连接时间等关键充电参数。尽管已有研究在此方面取得了进展，但忽视了动态训练捕捉近期模式的重要性，同时排除了信息有限的EV会话，错失了利用这些数据的潜在机会。为此，本文提出一种包含增量学习的双模型方法，用于预测电动汽车充电 session 参数。该方法包括动态训练更新、最优特征以及针对每个模型的超参数集选择，以提高其鲁棒性和包容性。使用来自真实世界电动汽车 session 的 17 万条测量数据，预测连续一年的每日充电参数。研究发现，工作场所和住宅充电地点在连接时长可预测性方面存在显著差异，其中工作场所 session 可预测性更高。所提出的堆叠集成学习方法提高了预测准确率，在所有参数和地点设置下将 R2 提升 2.83%至 43.44%。两个模型的比较表明，将用户 ID 作为特征输入，以及关联的历史数据，是影响预测准确率的最重要因素。通过纳入不确定性量化技术，可有效应用于智能充电和电网管理应用，允许充电点运营商优化充电日程和能源管理。
引用
@article{arxiv.2508.17772,
title = {A Comprehensive Incremental and Ensemble Learning Approach for Forecasting Individual Electric Vehicle Charging Parameters},
author = {Parnian Alikhani and Nico Brinkel and Wouter Schram and Ioannis Lampropoulos and Wilfried van Sark},
journal= {arXiv preprint arXiv:2508.17772},
year = {2025}
}