[论文解读] Electric Vehicle Driver Clustering using Statistical Model and Machine Learning

Yingqi Xiong, Bin Wang+2 more|arXiv (Cornell University)|Feb 12, 2018

Electric Vehicles and Infrastructure参考文献 10被引用 3

一句话总结

本文提出一种混合方法，结合统计建模与机器学习，基于加州大学洛杉矶分校（UCLA）和圣莫尼卡市的真实充电数据，对电动汽车（EV）驾驶员进行聚类。通过应用无监督聚类和多层感知机（MLP）对历史记录进行分析，该模型实现了对电动汽车停车时长和负荷的准确日前预测，在智能充电调度与负荷预测的交叉验证中表现优异。

ABSTRACT

Electric Vehicle (EV) is playing a significant role in the distribution energy management systems since the power consumption level of the EVs is much higher than the other regular home appliances. The randomness of the EV driver behaviors make the optimal charging or discharging scheduling even more difficult due to the uncertain charging session parameters. To minimize the impact of behavioral uncertainties, it is critical to develop effective methods to predict EV load for smart EV energy management. Using the EV smart charging infrastructures on UCLA campus and city of Santa Monica as testbeds, we have collected real-world datasets of EV charging behaviors, based on which we proposed an EV user modeling technique which combines statistical analysis and machine learning approaches. Specifically, unsupervised clustering algorithm, and multilayer perceptron are applied to historical charging record to make the day-ahead EV parking and load prediction. Experimental results with cross-validation show that our model can achieve good performance for charging control scheduling and online EV load forecasting.

研究动机与目标

• 为应对电动汽车充电行为不可预测性给配电网能量管理带来的挑战。
• 开发一种用户建模技术，利用真实世界的电动汽车充电数据捕捉驾驶员行为模式。
• 实现对电动汽车停车时长和负荷的准确日前预测，以支持最优调度。
• 将统计分析与机器学习相结合，以提升预测性能。
• 在加州大学洛杉矶分校和圣莫尼卡市智能充电基础设施的真实数据集上验证模型。

提出的方法

• 利用来自加州大学洛杉矶分校和圣莫尼卡市城市智能充电基础设施的真实电动汽车充电数据集。
• 应用无监督聚类算法，根据充电开始时间、持续时间及电能消耗等行为模式对电动汽车驾驶员进行分组。
• 采用多层感知机（MLP）神经网络，基于聚类后的驾驶员档案对未来的充电行为进行建模与预测。
• 结合历史充电记录的统计分析与机器学习方法，以提升预测准确性。
• 使用交叉验证评估模型在日前停车时长与负荷预测任务中的性能。
• 将聚类结果作为输入特征集成至MLP中，以提升电动汽车负荷曲线的预测性能。

实验结果

研究问题

• RQ1 基于充电行为对电动汽车驾驶员进行聚类，能否提升日前负荷预测的准确性？
• RQ2 将统计聚类与多层感知机相结合，在电动汽车负荷预测中效果如何？
• RQ3 所提出的模型在多大程度上降低了电动汽车充电调度中的不确定性？
• RQ4 该模型在不同真实世界数据集（来自不同城市环境）上的表现如何？
• RQ5 驾驶员行为聚类对智能充电控制系统可靠性有何影响？

主要发现

• 所提出的模型在使用交叉验证进行日前电动汽车停车时长与负荷预测方面表现优异。
• 将统计聚类与多层感知机结合，显著提升了预测准确性，优于基线方法。
• 该模型有效捕捉了来自不同城市环境的真实电动汽车充电数据中的行为模式。
• 聚类方法降低了充电会话参数的不确定性，支持更可靠的调度。
• 该模型在来自UCLA和圣莫尼卡市的数据集上均表现出鲁棒性与泛化能力。
• 结果表明，混合使用统计方法与机器学习技术，可为智能电网应用中的可扩展电动汽车用户建模提供有力支持。