面向极端事件的基于科学机器学习的电动车-电网规划与决策支持

电动车 (EV) 充电基础设施为城市配电网带来复杂挑战，尤其在极端需求事件下更为突出。韧性评估的关键障碍是微观层面的充电物理与城市尺度规划之间的规模鸿沟：分钟级的可供给约束在小时级聚合数据集中难以体现，导致纯数据驱动模型在高压力情形下表现出非物理行为。为解决此问题，本文构建了一个五阶段的科学机器学习框架，通过物理信息迁移来弥合这一鸿沟。第 1 阶段从瑞士 DC 快充遥测数据中学习温度-压力供给面，并施加单调性约束。第 2 阶段通过锚定分位数映射实现跨尺度注入。第 3 阶段部署双头时空图神经网络，用于联合预测需求和服务损失率。第 4 阶段模拟压力冲击下的积压动态并评估政策干预效果。第 5 阶段将服务结果耦合到配电网压力，通过变压器负荷分析进行评估。在深圳城市 EV 数据集上的验证表明，物理注入恢复了单调的压力-风险响应（与无注入相比，斯佩尔曼相关系数从 -0.8 提升至 +1.0），并提升了预测精度。在一次代表性需求冲击下，混合政策将积压减少 79.1%，在研究时段内恢复完整服务，并将电网压力限制在仅增加 2 个小时。推导的韧性边界 $m_{crit}$ 作为 $\epsilon$ 的函数约等于 1.7 减去 1.0 times $\epsilon$，为将需求灵活性与最大可吸收压力关联起来，提供了可操作的指导，使之在极端事件下实现风险感知的紧急规划。