[论文解读] Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand

Frederik Boe Hüttel, Inon Peled+2 more|arXiv (Cornell University)|Jun 21, 2021

Electric Vehicles and Infrastructure参考文献 20被引用 18

一句话总结

本文提出一种时间图卷积网络（T-GCN），通过使用公开数据集对充电站之间的时空相关性进行建模，以预测电动汽车（EV）充电需求。T-GCN在短中期和长期预测中均优于CNN、CNN+LSTM及传统基线模型，实现了最低的RMSE，其中1天预测的RMSE为61±8，30天预测的RMSE为161±15。

ABSTRACT

Electric vehicles can offer a low carbon emission solution to reverse rising emission trends. However, this requires that the energy used to meet the demand is green. To meet this requirement, accurate forecasting of the charging demand is vital. Short and long-term charging demand forecasting will allow for better optimisation of the power grid and future infrastructure expansions. In this paper, we propose to use publicly available data to forecast the electric vehicle charging demand. To model the complex spatial-temporal correlations between charging stations, we argue that Temporal Graph Convolution Models are the most suitable to capture the correlations. The proposed Temporal Graph Convolutional Networks provide the most accurate forecasts for short and long-term forecasting compared with other forecasting methods.

研究动机与目标

• 解决准确预测电动汽车充电需求的挑战，以支持绿色能源整合与基础设施规划。
• 克服现有方法忽略充电站之间空间相关性或依赖非公开数据的局限性。
• 证明利用公开可用的电动汽车充电数据集进行大规模预测的可行性和有效性。
• 评估基于图的深度学习模型（特别是T-GCN）与传统时间序列和卷积模型的性能表现。
• 为未来基于图神经网络的电动汽车充电需求预测研究，提供可复现且开源的框架。

提出的方法

• 将电动汽车充电网络建模为图结构，其中节点代表充电站，边表示空间邻近性或相关性。
• 应用时间图卷积网络（T-GCN），结合图卷积与循环层（LSTM），以捕捉动态的时空依赖关系。
• 采用栅格地图表示作为对比的空间编码方式，其中网格单元聚合其内部充电站的需求数据。
• 使用2012年至2019年的历史日能量需求数据进行模型训练，短期预测输入序列为30天，长期预测为120天。
• 使用ADAM优化器，并在1000个周期内采用带有L2正则化（λ = 10⁻³）的损失函数进行模型优化。
• 使用Keras和Stellar Graph库实现模型，确保可复现性，并通过GitHub提供开源访问。

实验结果

研究问题

• RQ1 公开可用的电动汽车充电数据集是否能够支持准确且可比的充电需求预测？
• RQ2 基于图的模型（如T-GCN）在预测电动汽车充电需求方面，与传统时间序列和卷积模型相比表现如何？
• RQ3 充电站之间的空间相关性在多大程度上提升了预测精度？
• RQ4 将网络建模为图结构是否优于基于栅格或聚合时间序列的方法？
• RQ5 T-GCN能否有效捕捉电动汽车充电需求中短期（1–7天）和长期（30天）的时间模式？

主要发现

• T-GCN模型在所有预测时间范围内均实现了最低的RMSE，其中1天预测为61±8，7天预测为184±9，30天预测为161±15。
• 与AR(30)基线模型（30天预测RMSE为252）相比，T-GCN将误差降低了36.5%，显示出显著改进。
• 在1天预测中，T-GCN相比CNN+LSTM模型误差降低28.4%；在30天预测中降低7.5%，凸显了基于图建模的优势。
• 基于图的方法比基于栅格的卷积方法更好地捕捉了细微的空间差异和站间相关性。
• 所有模型（包括T-GCN）均成功捕捉到每周需求模式，周末需求较低，表明具备稳健的时间建模能力。
• 使用公开可用的数据集实现了可复现且透明的基准测试，支持在电动汽车基础设施研究中更广泛的应用。