基于多变量时间序列分析的电动车充电站需求预测
系统与控制
2025-02-25 v1 系统与控制
摘要
随着电动汽车（EV）数量的持续增长，充电站的需求也在增加，导致等待时间延长和设施不足等挑战。对电动车充电需求进行高精度预测对于高效的站点管理至关重要，以解决上述部分挑战。本文提出了一种方法，用于基于多变量长短期记忆（LSTM）网络的注意力机制，预测电动车充电需求，以 15 分钟为间隔，提前一天预测。此外，该模型利用可解释人工智能技术来评估各种因素对预测的影响，包括天气条件、星期几、月份以及任何假日。使用 Shapley 增量解释（SHAP）量化每个特征对最终预测的贡献，提供更深入的解释，说明这些因素如何影响预测准确性。结果表明，该框架为基础设施规划提供了增强的决策支持。通过使用来自加州大学长滩分校的电动车充电站测试数据进行仿真，证明了所提方法的有效性。
引用
@article{arxiv.2502.16365,
title = {Demand Forecasting for Electric Vehicle Charging Stations using Multivariate Time-Series Analysis},
author = {Saba Sanami and Hesam Mosalli and Yu Yang and Hen-Geul Yeh and Amir G. Aghdam},
journal= {arXiv preprint arXiv:2502.16365},
year = {2025}
}
备注
Accepted to be presented in the 2025 American Control Conference (ACC)