基于GIS与机器学习融合的电动交通时空分析模型及其对电力系统的影响研究

为解决电动汽车(EV)普及对电网带来的时空异质性负荷挑战，研究人员创新性地将机器学习(ML)模型与地理信息系统(GIS)结合，构建了时空模型(STM)，精准模拟了意大利伦巴第地区2030年电动交通场景下的充电需求及灵活性服务潜力。研究揭示了智能充电算法可提升38%的电网调频容量(FCR)，为电网运营商和城市规划者提供了关键决策依据。

　　

随着全球碳中和目标的推进，轻型交通电动化成为能源转型的关键环节。然而，电动汽车(EV)的大规模普及给电网带来了前所未有的挑战——其充电需求呈现显著的时空异质性，可能引发局部电网过载、峰谷差扩大等问题。传统基于线性概率的蒙特卡洛(MC)模拟方法难以精准捕捉EV用户的行为模式，而单纯依赖充电桩分布数据的评估又忽略了真实出行特征。如何量化EV对电网的时空影响，并挖掘其作为分布式储能资源的潜力，成为学界和产业界亟待解决的难题。

针对这一科学问题，来自米兰理工大学的研究团队在《Smart Energy》发表了创新性研究。他们首次将机器学习(ML)驱动的车辆选择模型与自下而上的地理信息系统(GIS)交通仿真相结合，构建了高精度的时空模型(STM)。该模型以意大利伦巴第地区为案例，模拟了政策制定的2030年电动化场景，不仅量化了充电负荷对电网的影响，更首次系统评估了EV集群参与一次调频(PFC)服务的潜力。

研究团队采用了三项关键技术方法：首先基于开源路网数据(OpenStreetMaps)和人口普查信息构建GIS交通模型，模拟了820万辆车次的精细路径；其次利用荷兰出行调查数据(MPN)训练随机森林模型，通过行程特征和驾驶员社会经济属性预测EV出行概率；最后整合充电桩分布数据，采用动态概率算法模拟充电行为，并开发智能充电策略优化电网服务带宽。

交通模型与EV选择机制
通过GIS重力模型将出行矩阵(OD)细化至人口普查区，生成包含行程目的、时长等特征的交通层。相比传统MC随机选择，ML模型筛选出的170万辆EV更符合实际分布——在米兰等城市中心集中度提升23%，且早晚高峰出行模式呈现显著解耦特征。

充电需求与电网影响
研究发现早高峰公共充电需求达292MW，但充电桩饱和导致38%需求无法即时满足。通过智能充电策略，峰值负荷降低至182MW，同时将电网调频(FCR)可用带宽从30.45MW提升至40MW，增幅达31%。

灵活性服务潜力
基于欧洲FCR市场规则模拟显示，EV集群可提供双向调频服务。在10%额定功率预留条件下，日内可调度带宽呈现"双峰"特征，其中午间时段9.09MW的稳定容量最具商业价值。

这项研究的意义在于：方法论上，首次实现了ML行为模型与GIS物理模型的有机融合，使EV出行预测准确率提升至76%；应用层面，证实了智能充电策略可同时解决38%的峰值负荷问题和31%的调频容量缺口；政策价值方面，为意大利"国家能源气候计划"(PNIEC)的EV基础设施部署提供了量化依据。值得注意的是，研究也揭示了当前充电桩布局无法满足集中充电需求的瓶颈，这对未来基础设施规划具有重要警示作用。未来研究可通过构建"行程链"进一步优化能耗模型，并探索实时功率分配算法以 bridging the gap between theoretical modeling and real-world implementation。