[论文解读] Predicting Electric Vehicle Charging Station Usage: Using Machine Learning to Estimate Individual Station Statistics from Physical Configurations of Charging Station Networks

Anshul Ramachandran, Ashwin Balakrishna+2 more|arXiv (Cornell University)|Apr 2, 2018

Electric Vehicles and Infrastructure参考文献 3被引用 6

一句话总结

本文提出一种基于神经网络的机器学习方法，仅通过物理网络布局预测个体电动车辆供电设备（EVSE）的使用情况，避免了昂贵的仿真计算。模型在仿真数据上进行训练，实现了高精度、快速的EVSE功率使用估算，且过拟合程度极低，从而可实现充电站配置的快速优化。

ABSTRACT

Electric vehicles (EVs) have been gaining popularity due to their environmental friendliness and efficiency. EV charging station networks are scalable solutions for supporting increasing numbers of EVs within modern electric grid constraints, yet few tools exist to aid the physical configuration design of new networks. We use neural networks to predict individual charging station usage statistics from the station's physical location within a network. We have shown this quickly gives accurate estimates of average usage statistics given a proposed configuration, without the need for running many computationally expensive simulations. The trained neural network can help EV charging network designers rapidly test various placements of charging stations under additional individual constraints in order to find an optimal configuration given their design objectives.

研究动机与目标

• 解决缺乏可扩展工具以优化电动汽车充电站网络物理配置的问题。
• 减少对计算成本高昂的调度仿真依赖，以估算单个EVSE的使用情况。
• 开发一种快速、可泛化的机器学习模型，仅基于空间布局特征预测EVSE功率使用情况。
• 在变压器容量限制和停车行为等现实约束条件下，实现EVSE网络的快速设计迭代。
• 为电动汽车充电网络设计人员提供一种实用、可部署的工具，以高效评估布局权衡。

提出的方法

• 使用可配置约束的布局生成算法，生成合成的电动汽车充电网络布局。
• 利用真实世界数据模式，模拟包括到达/离开时间与充电配置在内的现实EV行为。
• 应用自适应充电网络（ACN）调度算法，为每种布局计算EVSE功率使用的基准真实值。
• 提取空间特征，如靠近出入口的距离、与道路的邻接性以及局部邻里配置，作为神经网络的输入。
• 训练前馈神经网络以预测EVSE功率使用情况，通过输入和输出预处理（如对数变换）提高训练稳定性。
• 通过多种网络架构和预处理策略，在样本内和样本外均使用均方误差评估模型性能。

实验结果

研究问题

• RQ1 在不运行完整调度仿真的情况下，机器学习模型能否仅基于物理布局特征准确预测单个EVSE的功率使用情况？
• RQ2 输入预处理（如对数变换）如何影响模型收敛性和预测准确性？
• RQ3 网络架构设计（如隐藏层数量、神经元数量）在多大程度上影响模型性能与泛化能力？
• RQ4 引入到最近出入口的距离特征是否能提高预测准确性，还是因其量纲差异导致模型不稳定？
• RQ5 训练好的模型能否泛化到未见过的布局，并作为EVSE网络规划者的可扩展设计工具？

主要发现

• 模型3采用目标值的对数变换及单隐藏层64个神经元，实现了最低的样本外误差、良好收敛性且无过拟合，达到最佳平衡。
• 对目标值进行对数变换显著提升了训练稳定性，减少了梯度波动，相较于直接预测原始功率值效果更优。
• 增加第二隐藏层导致收敛性差且记忆训练模式，表明存在过拟合，泛化能力差。
• 将到最近门的距离作为输入特征后，样本内和样本外误差均上升，表明该特征在大规模应用中可能不够稳健，或需进行归一化处理。
• 模型在未见过的布局上表现出强大的泛化能力，验证误差在整个训练过程中始终接近训练误差，表明无过拟合现象。
• 最终模型已成功部署于网络门户，供定性分析与专家评估，获得领域专家积极反馈。