[论文解读] Energy Spatio-Temporal Pattern Prediction for Electric Vehicle Networks

Qinglong Wang|arXiv (Cornell University)|Feb 14, 2018

Electric Vehicles and Infrastructure参考文献 33被引用 3

一句话总结

本文提出了一种时空预测框架，利用来自北京真实出租车轨迹的空间和时间特征，对城市规模区域中电动汽车（EVs）储存的聚合电能进行估计。该框架结合了基于神经网络的空间预测器与基于线性链条件随机场（CRF）的时间预测器，在所有区域中均实现了低于0.1的归一化均方误差（NMSE），展示了在智能电网集成与电动汽车充电管理方面的高精度。

ABSTRACT

Information about the spatio-temporal pattern of electricity energy carried by EVs, instead of EVs themselves, is crucial for EVs to establish more effective and intelligent interactions with the smart grid. In this paper, we propose a framework for predicting the amount of the electricity energy stored by a large number of EVs aggregated within different city-scale regions, based on spatio-temporal pattern of the electricity energy. The spatial pattern is modeled via using a neural network based spatial predictor, while the temporal pattern is captured via using a linear-chain conditional random field (CRF) based temporal predictor. Two predictors are fed with spatial and temporal features respectively, which are extracted based on real trajectories data recorded in Beijing. Furthermore, we combine both predictors to build the spatio-temporal predictor, by using an optimal combination coefficient which minimizes the normalized mean square error (NMSE) of the predictions. The prediction performance is evaluated based on extensive experiments covering both spatial and temporal predictions, and the improvement achieved by the combined spatio-temporal predictor. The experiment results show that the NMSE of the spatio-temporal predictor is maintained below 0.1 for all investigate regions of Beijing. We further visualize the prediction and discuss the potential benefits can be brought to smart grid scheduling and EV charging by utilizing the proposed framework.

研究动机与目标

• 对城市区域中大规模电动汽车所携带的电能时空模式进行建模与预测。
• 通过预测可用于调度和车网互动（V2G）服务的可用能量，实现电动汽车与智能电网更智能的交互。
• 通过准确的、区域特定的电能预测，提升电动汽车充电服务提供商的能源管理效率。
• 利用真实轨迹数据，评估组合空间与时间预测器相较于单一模型的性能表现。

提出的方法

• 使用神经网络从电动汽车轨迹中提取空间特征，以建模区域电能分布模式。
• 利用线性链条件随机场（CRF）对时间序列的荷电状态（SOC）动态进行建模，以捕捉电能的时间变化。
• 通过最小化归一化均方误差（NMSE）的最优组合系数，将空间与时间预测器进行融合。
• 在覆盖北京16个城区的北京出租车真实GPS与SOC数据上进行时空预测器的训练与评估。
• 采用加权融合策略，平衡空间与时间预测结果，通过互补优势降低误差。
• 可视化北京四环路范围内实时聚合电能预测结果，以证明其实际应用价值。

实验结果

研究问题

• RQ1 在城市规模区域中，聚合电动汽车电能的时空模式预测精度如何？
• RQ2 空间特征与时间特征在预测未来电动汽车电能可用性方面各自贡献如何？
• RQ3 组合的时空预测器是否能优于单独的空间或时间预测模型，实现更高的预测精度？
• RQ4 在更长的时间预测范围（如2–3小时后）中，预测性能如何退化？
• RQ5 准确的电能模式预测对智能电网调度与电动汽车充电服务具有哪些实际意义？

主要发现

• 该时空预测器在北京市全部16个研究区域中均保持NMSE低于0.1，表明具有高预测精度。
• 组合预测器优于单独的空间与时间预测器，显示出互补的误差降低效果。
• 对于3小时后的预测，时空预测器的NMSE最高达到0.09，表明其具备稳健的长期预测能力。
• 仅使用时间预测器时，在更长的时间间隔内表现出轻微的性能提升，表明其在时间序列预测中具有稳定性。
• 由于随时间推移空间相关性减弱，空间预测器在更长预测时间范围内退化更为显著。
• 可视化结果证实，中心城区（三环路以内）的聚合电能更高，与实际交通与电能使用模式一致。