《World Electric Vehicle Journal》：A Hierarchical Charging Station Identification Method Integrating Charging-Order Behaviour Mining and Deep Multi-View Clustering
编辑推荐：
超快速电动汽车（EV）充电可能产生空间集中的高功率负荷，并加剧配电网压力。然而，充电桩额定功率本身无法充分表征充电站的实际运行状况。本研究提出一种可解释的订单—站点两级聚类框架，用于从大规模运行数据中识别充电站类型。在订单层面，平衡迭代归约与层次聚类（BIRC
超快速电动汽车（EV）充电可能产生空间集中的高功率负荷，并加剧配电网压力。然而，充电桩额定功率本身无法充分表征充电站的实际运行状况。本研究提出一种可解释的订单—站点两级聚类框架，用于从大规模运行数据中识别充电站类型。在订单层面，平衡迭代归约与层次聚类（BIRCH）利用平均实际充电功率、输送能量和功率利用率识别充电模式。所得订单聚类按站点聚合，以表征充电需求的内部构成。在站点层面，深度多视图聚类模型整合四个互补视图：充电订单构成、实际运行、设备能力与时间运行。时间运行视图通过长短期记忆（LSTM）自编码器从充电负荷序列中提取。该框架通过聚类质量指标、分布偏移分析、特征范围检验和业务一致性约束进行评估。结果表明，将订单层面行为信息与互补站点视图相结合，相较于传统聚类方法可改善聚类分离度与稳定性。最后，聚类标签被提炼为固定决策树规则，为识别新站点提供明确且可解释的阈值。此外，所识别的站点类别在变压器负载、馈线负载、电压偏差和网络损耗方面表现出不同的电气影响。在采用的基准条件下，类别感知容量配置相较于统一最坏情况配置，可将总变压器容量和馈线载流量需求降低25.10%，表明所提分类方法在差异化配电网容量评估中的潜在价值。
一、研究背景与问题
随着电动汽车保有量的快速增长以及电池和充电技术的进步，充电基础设施正从传统慢充和快充向高功率乃至超快速充电方向发展。更高充电功率虽能缩短充电时长，但高功率充电桩的同步运行可能在配电网接入点形成集中的电力需求和显著的功率波动，进而加剧变压器和馈线负载、电压偏差及局部拥堵等问题。因此，理解充电站运行特性对于表征充电基础设施对电力供应系统造成的需求至关重要。
一个关键区别在于，安装设备能力并不等同于实际实现的充电需求。高额定功率的充电接口未必在每次充电过程中都输送高功率，实际充电功率取决于车辆接受能力、电池荷电状态、充电时长、用户行为、设备可用性及站点运行条件等多种因素。仅凭设备额定值和地理部署无法描述站点实际输送的功率和能量。具有相近安装能力的站点可能在平均功率、高分位功率、输送能量和时间需求曲线方面存在显著差异。
现有研究虽已广泛涉及充电负荷预测、充电行为聚类及站点选址优化等议题，但仍存在两个研究空白：其一，缺乏将订单层面行为异质性传递至站点层面运行类型识别的显式信息传递机制；其二，需要整合物理意义不同的多维信息，包括订单构成、实际运行、设备能力和时间运行特征，同时保持跨视图互补性与运行可解释性。此外，数据驱动的站点类别需要转化为可复现的运行筛选规则，以便在不重训练完整聚类模型的情况下对新站点进行分类。
二、研究内容与主要结论
针对上述问题，研究人员提出了一种可解释的订单—站点两级聚类框架。在订单层面，利用平衡迭代归约与层次聚类（BIRCH）基于平均实际充电功率、输送能量和功率利用率识别充电订单模式；在站点层面，将订单聚类比例聚合形成充电订单构成视图，并与实际运行视图、设备能力视图及基于长短期记忆（LSTM）自编码器提取的时间运行视图相结合，通过深度多视图聚类模型识别站点运行类别。最终，聚类标签被提炼为固定决策树规则，实现对新站点的可解释分类。
研究基于北京市2025年1月约213.7万条公共充电交易记录进行模型开发，并以2025年7月约633.7万条记录作为独立时间验证集。经过数据预处理后，保留841.8万条有效交易（98.52%），其中训练站点4355个、验证站点6660个。研究识别出六种订单聚类（O0–O5）和五种站点运行类别（S1–S5）：常规充电（S1）、低功率高周转充电（S2）、高额定设备但实际负载相对有限的站点（S3）、集约型快速充电（S4）以及单次充电能量相对较高的充电（S5）。
实验结果表明，所提框架在聚类分离度和稳定性方面优于传统聚类方法。与深度多视图聚类基线相比，轮廓系数、Calinski–Harabasz指数（CHI）和稳定性调整兰德指数（ARI）分别提升5.25%、4.67%和3.48%，Davies–Bouldin指数（DBI）和总体稳定性指数（PSI）分别降低7.13%和15.11%，计算时间从28.5分钟降至18.6分钟，减少34.74%。在时间验证中，96.43%的七月站点通过了特征范围检验。消融实验表明，实际运行视图对聚类分离贡献最大，其次是充电订单构成视图，设备能力和时间运行视图提供互补信息。决策树提炼产生十条可解释规则，加权叶纯度介于85.27%至100%之间，其中平均额定连接器功率323.33 kW阈值与已有研究中电动公交车320 kW充电功率配置相近，为工程参考提供了依据。
在电气影响评估中，研究人员选取各类别代表性站点，在IEEE 33节点辐射状测试馈线的同一连接点、相同网络条件下分别评估五种负荷曲线。集约型快速充电类（S4）造成最严重的网络压力，最大变压器和馈线负载分别达113.33%和118.13%，超过参考额定容量，最低电压降至0.9256 p.u.，出现3小时电压越限，增量日网络损耗达1150.68 kWh。高额定设备类（S3）虽配备高功率充电设备，但其实现的网络影响（变压器77.88%、馈线81.18%）显著低于S4，证实仅凭安装额定功率不足以识别电气最关键的站点。在80%规划负载准则下，类别感知容量配置相较于统一最坏情况配置，可将总变压器容量和馈线载流量需求均降低25.10%。
三、结论与意义
本研究开发了可解释的订单—站点层次聚类框架，通过整合充电订单构成、实际运行、设备能力和时间运行四个互补视图，保留了订单层面行为信息并捕捉站点层面互补特征。研究识别出五种具有不同运行特征的站点类别，并通过十条可解释决策规则实现新站点的轻量级分类部署。该框架为表征异构充电站需求、支持差异化配电网容量评估提供了可解释的基础，其类别感知规划方法可避免系统性过度配置。然而，研究基于单一城市两个非连续月份的数据，电气评估采用代表性网络模型而非实际配电网参数，且缺乏车辆类型标签和电池层面信息，这些限制需要在未来研究中通过跨区域数据集、专家标注站点和车辆侧信息加以解决。
