用于电动汽车充电需求预测的多维特征聚合网络

为何更智能的充电预测很重要

随着电动汽车在城市中普及，简单的插电行为正在变成一个复杂的难题。电力公司和城市规划者必须确保充电桩布局合理、电网能够承受负荷，并通过价格机制鼓励司机在更合适的时段充电。本文提出了一种新的方法来预测司机何时何地需要充电，目标是让这些预测不仅更准确，而且计算更快、成本更低。

预测明天的插电需求面临的挑战

预测电动汽车充电需求听起来很直接：查看过去的使用情况并向前推断。实际上，这其中交织着许多重叠的模式。相邻社区的充电站会相互影响，因为司机可以在它们之间做出选择。充电需求在一天和一周内按照规律上升和下降。此外，电价、天气、节假日和交通等外部因素也会影响司机的决定。许多近期的预测方法主要关注地理和时间维度，但将这些额外影响逐一处理，忽略了它们如何相互作用并随时间演化。另一些方法引入了关于价格与需求应如何表现的“物理信息”规则，这可以提高准确性，但通常需要大量计算和详细的先验知识。

一种融合多重信号的新方法

作者提出了一种称为多维特征聚合网络（MDFANet）的模型，专为城市充电需求设计。与其将原始数据直接输入复杂的时空模型，MDFANet先通过一个专门的“特征增强”阶段处理数据。在这一阶段，模型同时沿时间轴和不同变量（如需求、价格及其他特征）进行观察，以提炼出一个紧凑的“特征核心”，捕捉这些信号如何共同变化。然后将该核心与原始输入重新融合，生成一种更丰富但仍轻量的数据描述，便于后续组件学习。

模型如何学习城市的动态

在特征增强之后，MDFANet应用了一个两部分的时空模块。首先，基于图的注意力网络关注城市各区域之间的关系，为对目标区域充电行为最具信息量的地区分配更高的权重。多个注意力“头”使模型能够同时考虑若干类型的空间影响，而一个特殊的残差连接防止在堆叠层数时重要细节被冲淡。接着，循环时间序列模块建模这些带有空间信息的特征随时间的变化，学习充电行为的短期和长期模式。最后，一个简单的解码器将学到的内部表示转换为不同预测时滞（从15分钟到一小时）的未来充电需求预测。

方法的实测验证

研究人员在来自中国深圳的公开数据集上评估了MDFANet，该数据集以五分钟为间隔记录了247个区域的充电需求和实时电价。他们将模型与多种方法进行了比较，包括经典统计工具、标准深度学习网络、基于图的模型以及最新的物理信息基准。在四个常用的准确度指标上，MDFANet始终比所有竞争方法（包括物理信息模型PIAST）取得更低的预测误差。同时，在相同硬件和训练计划下，MDFANet的训练时间约为这些物理信息方法的一半。故意移除模型某些部分的消融实验表明，特征聚合模块和时空模块对于达到最佳性能都是必要的。另一些减少训练数据量的实验显示，MDFANet退化平缓，即使在仅有一半原始数据时仍能维持有用的准确度。

这对司机和城市意味着什么

简而言之，这项工作表明，通过先对数据中各种不同信号进行细致融合，然后学习地点与时间如何交互，我们可以获得更好、更快的充电需求预测。对于城市规划者和电网运营者，更准确且高效的预测可支持更智能的充电站布局、更平稳的电网运行以及更灵活的定价策略。对于司机，这可能意味着等待时间更短、充电可用性更可靠。研究仍主要依赖过去的充电和电价记录，作者指出未来版本应纳入更丰富的上下文信息，如天气和交通等。即便如此，结果表明像MDFANet这样的精心设计的数据驱动模型能够帮助城市跟上电动汽车快速增长的步伐。

引用: Yu, Y., He, L., Yu, Z. et al. A multi-dimensional feature aggregation network for electric vehicle charging demand prediction. Sci Rep 16, 13181 (2026). https://doi.org/10.1038/s41598-026-38855-3

关键词: 电动汽车充电, 需求预测, 时空建模, 深度学习, 智能电网