基于 LSTM 的 EV 充电需求预测与分析——面向密集城市校园
机器学习
2025-10-21 v1 最优化与控制
摘要
本文提出了一种用于处理 EV 充电负荷数据的框架，通过基于递归神经网络（Specifically, LSTM）的模型进行未来负荷预测。该框架处理来自多个地点的大量原始数据，并通过归一化和特征提取进行预处理，以训练 LSTM 模型。预处理阶段通过插值和归一化处理测量值中的缺失或不完整数据。随后，该信息被输入到长短期记忆模型中，以捕捉充电数据中短期波动并解读长期趋势。实验结果表明，该模型在日、周和月等多个时间尺度上能够准确预测充电需求，为基础设施规划、能源管理及电网集成 EV 充电设施提供了宝贵的依据。该系统的模块化设计使其能够适应不同充电地点的使用模式，适用于多样化的部署场景。
引用
@article{arxiv.2510.16719,
title = {LSTM-Based Forecasting and Analysis of EV Charging Demand in a Dense Urban Campus},
author = {Zak Ressler and Marcus Grijalva and Angelica Marie Ignacio and Melanie Torres and Abelardo Cuadra Rojas and Rohollah Moghadam and Mohammad Rasoul narimani},
journal= {arXiv preprint arXiv:2510.16719},
year = {2025}
}