电动汽车充电时间预测的混合物理模型与强化学习框架
系统与控制
2025-12-09 v1 系统与控制
摘要
本文构建了一个用于准确估计电动汽车 (EV) 充电时间的混合预测框架，这一能力对于旅行计划、用户满意度和充电基础设施的高效运营至关重要。我们结合物理模型的分析方法与强化学习 (RL) 方法。分析组件捕获非线性恒定电流/恒定电压 (CC--CV) 充电动力学，显式建模 state-of-health (SoH)--dependent 容量和功率衰减，提供可靠基准当历史数据有限时。基于这一基础，我们引入 RL 组件逐步细化充电时间预测，使其能够在数据累积后实现更长期的改进。两种模型均包含 SoH 退化以维持电池生命周期内的预测准确性。我们使用 5000 个模拟充电 session 进行评估，该数据基于制造商规格和公开可用 EV 充电数据校准。我们的结果显示，分析模型实现 和 ，而 RL 模型进一步提升至 和 ，相当于 的精度提升和 对电池老化的鲁棒性提升。
引用
@article{arxiv.2512.06287,
title = {A Hybrid Physics-Based and Reinforcement Learning Framework for Electric Vehicle Charging Time Prediction},
author = {Praharshitha Aryasomayajula and Ting Bai and Andreas A. Malikopoulos},
journal= {arXiv preprint arXiv:2512.06287},
year = {2025}
}