面向真实场景的快充预测：电动汽车直流充电曲线建模新进展

论文题目：Deep learning predicts real-world electric vehicle direct current charging profiles and durations

第一/通讯作者：Siyi Li 伦敦帝国理工学院博士生，导师是Matthew D. Piggott教授和Rossella Arcucci博士。研究兴趣包括深度学习、基于物理的仿真和统计推断，应用领域包括科学计算、工程和计算机图形学。

E-mail：siyi.li20@imperial.ac.uk

面向真实场景的快充预测：电动汽车直流充电曲线建模新进展

论文摘要

近年来电动汽车市场增长迅速，但公共直流快充站的充电曲线波动大，导致用户体验不佳，并给电网调度带来挑战。现有研究多依赖小规模实验数据，难以泛化。本文基于 90 多万条真实快充会话构建大规模数据集, 设计了深度学习工作流：先用 β‑VAE 异常检测模型过滤噪声，再用 时间融合 Transformer (TFT) 预测充电功率‑荷电状态 (SoC) 曲线和充电时长，输入仅需实时可获得的功率与 SoC，外加少量静态协变量。模型采用自监督训练，能从一个或几个初始数据点推断完整充电曲线，并随数据到来实时更新预测。实验表明，该模型在未知会话上也具有高准确度：仅用一个输入点即可实现充电时长 90% 的相对准确率, 用六个点（约五分钟）则达到 95%，绝对误差小于一分钟。通过 t‑SNE 可视化和消融实验，作者分析了模型内部表示和各协变量的重要性。整体研究展示了在大规模真实环境中预测 EV 直流快充行为的可行性，为智能排队、负载调度和电网管理提供了技术基础。

一、数据集与预测挑战

1.1 数据集构建与特征

• 数据来源：612 台位于西北欧的直流快充桩，从 2021 年 11 月至 2024 年 7 月采集的 909 135 条完整充电会话。每条会话记录 SoC 与功率时间序列，以及充电桩功率等级、接口类型、地理位置等信息。
• 样本多样：充电桩额定功率从 50 kW 到 360 kW；大多数会话起始 SoC 在 10%–60% 之间，结束于 80% 以上，但也包含短暂“补电”事件。
• 环境因素：会话覆盖 ‑14 °C 至 35 °C 的不同气候，寒冷环境下充电速度明显减慢。
• 分布不均：高功率桩多用于大电池 EV，但也存在小电池 EV 使用高功率桩的情况。

下图给出了数据集的地理分布、桩功率分布、车辆电池容量分布等信息。

1.2 预测问题的复杂性

• 多因素影响：充电行为受起始 SoC、接口功率、BMS 策略、电池温度和老化程度等因素共同影响。
• 动态非线性：功率‑SoC 曲线通常在低 SoC 时上升或持平，到达阈值后下降，曲线形状随车型和环境不同而变化。
• 实时性需求：快充站通常每分钟记录一次数据，运营者需要根据早期数据实时预测会话时长以优化排队和电网负荷。
• 噪声与异常：真实数据包含硬件故障、用户中断等异常会话，需在建模前剔除。

二、深度学习框架与方法

2.1 工作流程概述

作者提出的工作流包括两个核心模块：异常检测和充电曲线预测。在数据进入预测模型前，β‑VAE 异常检测器过滤掉噪声会话；随后 TFT‑基模型在自监督训练下学习从部分曲线推断完整功率‑SoC 曲线和充电时长。该流程既能在线快速筛查异常，又能在少量输入数据下生成不确定度估计。整体框架见下图。

2.2 异常检测：β-VAE 模型

• 输入与结构：将功率-SoC 曲线视为多变量时间序列，利用可逆实例归一化（RevIN）消除尺度差异；编码器由多层 LSTM 组成，将曲线压缩为六维潜在向量，再经解码器重建原始曲线。

• 训练目标：损失函数由重构误差和 KL 散度组成

  其中  为均方误差重构损失， 促使潜在分布逼近标准正态， 控制两部分权重。

• β 退火策略：训练初期设定较小的  以侧重重构，随后按照逻辑函数逐步增大：

  其中  控制函数陡峭程度， 为当前训练轮次， 为达到一半最大值的轮次（阈值位置）。

• 异常判定：对每个会话计算重构误差；重构误差排名前 1% 或预测时长偏差超过 15 分钟的会话被标记为异常并剔除。

2.3 充电曲线预测模型

• 模型输入：部分功率-SoC 曲线（最少一个数据点）和五个静态协变量：起始 SoC、接口类型、接口功率、估算电池容量及环境温度。

• 自监督训练：随机遮挡 10%–99% 曲线，要求模型仅凭未遮挡部分重建整条曲线；掩蔽主要集中于曲线后半段。

• 模型结构：采用五层 LSTM 和三层多头注意力，每层 256 单元，结合变量选择网络与门控残差网络处理静态协变量。训练耗时约 72 个 GPU 小时。

• 损失函数：最小化总分位损失：

  其中  取 0.1、0.25、0.5、0.75、0.9，对应不同分位数预测， 为分位损失。这种分位预测提供了预测区间，便于衡量不确定性。

• 充电时长计算：在获得完整功率-SoC 曲线后，充电时长通过积分得到

  其中  为估算电池容量， 为功率-SoC 函数。

三、实验结果与分析

3.1 性能评估与准确性

• 整体准确率：在两套独立测试集上，用单个输入点预测充电时长的平均相对准确率约 90%，平均绝对误差小于 2.5 分钟；输入六个点时相对准确率提高到 95%，绝对误差小于 1 分钟。
• 输入点数量效应：随着输入点数增加，模型对功率‑SoC 曲线和充电时长的预测误差快速下降，不确定度显著收敛。
• 实时更新：模型采用事件驱动方式，每当 SoC 增加至少 1% 时更新一次预测，可在早期快速形成可靠预估并随充电进程精细修正。

下图比较了不同输入点数量下的预测误差、置信区间以及不确定会话比例等指标。

3.2 不确定性与异常分析

• 异常会话识别：β‑VAE 模型检出约 1% 高重构误差会话，它们大多存在充电功率异常波动或用户意外中断。
• 预测不确定度：对于重构正常但预测区间跨度较大的会话，可能隐藏着未观测的环境影响或硬件问题；持续高不确定度可作为运营实时预警。

3.3 模型解释与消融研究

• 潜在表示分析：将 1.5 万条与参考曲线匹配的会话经过 β‑VAE 编码并用 t‑SNE 可视化，发现同品牌同车型的充电曲线在潜在空间内聚集。RevIN 使模型能忽略尺度差异，仅关注曲线形状。
• 算法比较：作者将时间融合 Transformer 与 RNN、GRU、LSTM 和标准 Transformer 比较，TFT 在综合误差上表现最佳；去掉多头注意力或递归结构均导致性能下降。
• 协变量重要性：消融实验表明估算电池容量是最重要的静态特征，其次是接口功率；起始 SoC、环境温度和接口类型的影响较小，但在充电早期仍有贡献。
• 跨地域泛化：在荷兰独立数据集上（缺乏电池容量信息），去除容量输入的模型依旧达到与主测试集相近的性能，证明模型具有一定地域鲁棒性。将容量离散化为宽范围类别会降低准确率，说明连续容量不仅表示容量大小，还隐含电池化学和充电策略等信息。

这些分析结果在下图中以 t‑SNE 分布图、模型比较条形图、协变量重要性小提琴图等形式呈现。

四、总结与展望

本文利用 90 万余条真实直流快充会话，提出了由 β‑VAE 异常检测和 TFT 预测模型组成的深度学习框架，只需实时可得的功率与 SoC 数据及少量协变量即可准确预测充电曲线和时长。该模型在未知数据上实现 90%–95% 的相对准确率，支持实时更新，并提供不确定度估计。通过潜在表示可视化、基线比较和消融实验，作者进一步验证了模型的解释性和设计合理性。

这一工作证明在大规模真实环境中用深度学习预测 EV 快充行为是可行的，能够为充电站排队管理、电网负荷预测、车辆导航与电价策略提供技术支持。未来可探索利用隐私保护机制开展跨区域迁移学习，引入用户行为建模或强化学习实现智能充电调度。此外，随着数据覆盖更多国家和气候，模型对极端环境下的适用性还有进一步提升空间。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。