[论文解读] A matrix approach to detect temporal behavioral patterns at electric vehicle charging stations

Milan Straka, Lucia Piatriková+2 more|arXiv (Cornell University)|Feb 18, 2021

Electric Vehicles and Infrastructure参考文献 6被引用 4

一句话总结

本文提出一种基于矩阵的方法，利用两种方法检测电动汽车（EV）充电站的充电时间模式：一种是基于规则的系统，用于识别预定义模式；另一种是使用改进的 l-p 范数差异度量的层次聚类方法，用于自动发现模式。聚类方法成功识别出10种不同的行为聚类，包括早晨、傍晚和混合充电模式，最优参数为 o=1, p=2/3。

ABSTRACT

Based on the electric vehicle (EV) arrival times and the duration of EV connection to the charging station, we identify charging patterns and derive groups of charging stations with similar charging patterns applying two approaches. The ruled based approach derives the charging patterns by specifying a set of time intervals and a threshold value. In the second approach, we combine the modified l-p norm (as a matrix dissimilarity measure) with hierarchical clustering and apply them to automatically identify charging patterns and groups of charging stations associated with such patterns. A dataset collected in a large network of public charging stations is used to test both approaches. Using both methods, we derived charging patterns. The first, rule-based approach, performed well at deriving predefined patterns and the latter, hierarchical clustering, showed the capability of delivering unexpected charging patterns.

研究动机与目标

• 基于到达时间和连接时长，识别电动汽车充电站使用中的时间行为模式。
• 比较基于规则的分类与无监督聚类在检测充电模式方面的表现。
• 评估改进的 l-p 范数作为矩阵差异度量在层次聚类中用于模式发现的有效性。
• 将具有相似时间使用模式的充电站进行分组，以提升预测精度与系统优化。
• 探索聚类在提升智能充电与电网稳定性方面的潜力。

提出的方法

• 将电动汽车充电数据表示为以小时为单位的到达时间与连接时长构成的充电矩阵。
• 采用基于规则的方法，利用预定义的时间区间与阈值，将充电站分类为已知的充电模式。
• 使用改进的 l-p 范数作为矩阵差异度量，量化不同充电矩阵之间的差异。
• 将差异度量与凝聚层次聚类结合，采用完全链接法对充电站进行分组。
• 通过测试改进的 l-p 范数中参数组合 (o, p) 的表现，优化聚类效果，并评估聚类分布与可解释性。
• 使用每个聚类内充电矩阵元素逐项求和的归一化热图可视化结果。

实验结果

研究问题

• RQ1 基于规则的方法能否有效识别电动汽车充电站中预定义的时间充电模式？
• RQ2 使用自定义矩阵差异度量的层次聚类能否自动检测到意外或新颖的充电模式？
• RQ3 改进的 l-p 范数中哪些参数值 (o, p) 能够产生最易解释且分布均衡的聚类结果？
• RQ4 所识别出的充电站聚类在时间行为上（如早晨与傍晚充电）有何差异？
• RQ5 对充电站进行聚类在多大程度上能提升电动汽车充电行为预测模型的准确性？

主要发现

• 基于规则的方法成功识别并按预定义模式（如仅早晨或过夜充电）对充电站进行了分组。
• 使用改进的 l-p 范数的层次聚类检测到10个不同的聚类，包括以短时、早晨长时间或傍晚长时间充电为主的聚类。
• 聚类的最优参数组合为 o=1, p=2/3，该组合产生了最均衡且可解释的聚类分布。
• 聚类1主要表现为短时充电，而聚类2、5和10表现出强烈的早晨充电活动，聚类3和8则显示出显著的傍晚充电模式。
• 其余聚类（4、6、7、9）在多个时间段内呈现均匀的充电分布，表明其具有混合使用模式。
• 本研究证明，基于矩阵的聚类能够发现超越预定义规则的有意义且非直观的时间模式，从而增强智能充电策略。