《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Unveiling Asymmetric competition in EV charging via Residual-Coupled Graph learning and impulse response analysis
编辑推荐：
•残差解耦机制从主导性充电趋势中分离出微妙的价格弹性信号。•新颖的峰值偏移图捕获了超越静态地理关系的功能性竞争。•脉冲响应分析评估了价格冲击下的因果市场动态。•用户表现出损失厌恶特征，价格上涨引发的溢出效应比降价更为显著。•动态定价重新分配充电负荷，而非抑制总需求。引言全球碳
- •
残差解耦机制从主导性充电趋势中分离出微妙的价格弹性信号。
- •
新颖的峰值偏移图捕获了超越静态地理关系的功能性竞争。
- •
脉冲响应分析评估了价格冲击下的因果市场动态。
- •
用户表现出损失厌恶特征，价格上涨引发的溢出效应比降价更为显著。
- •
动态定价重新分配充电负荷，而非抑制总需求。
引言
全球碳减排要求加速了电动汽车（EV）的快速发展。虽然这一转型对可持续交通至关重要，但大规模电动汽车车队的无序充电行为给电网稳定性带来了严峻挑战，尤其是加剧了峰值负荷压力和局部变压器拥堵（Osman和Ouf，2026）。为缓解这些风险，基于价格的需求响应（PBDR）越来越被作为一种监管机制采用。电网运营商通过动态调整充电电价，引导用户行为，在不损害出行需求的前提下实现"削峰填谷"（Mrkos等，2025）。然而，此类定价策略的有效性取决于一个关键前提：准确量化价格弹性——即充电需求对价格激励的复杂非线性时空敏感性。尽管先前研究已为时变价格和运营不确定性下的充电需求响应建立了稳健的优化基础（Hu等，2022），但近期强调用户异质性的研究（Yao等，2026）表明，准确刻画这种敏感性仍然具有挑战性，这主要归因于个体决策的随机性本质。
尽管需求紧迫，但准确刻画这种敏感性受到充电数据中固有的"信号遮蔽"效应的阻碍。电动汽车充电负荷呈现出由相对稳定的通勤习惯所驱动的强低频周期性模式。相比之下，由价格引起的需求波动则表现为叠加在这些主导趋势之上的高频微弱信号。传统的数据驱动方法，特别是Bui等（2022）总结的标准深度学习范式和时空图神经网络（ST-GNNs），通常采用"耦合"架构，即将价格信号和历史负荷整合在统一特征表示中。尽管近期框架如He等（2026）提出的时空图推理网络（STGR-Net）通过结合多维空间表示与时序序列成功捕获了复杂的长距离节点间关联，但仍存在一个重要局限。在这些耦合结构中，主导性周期性模式可能在模型训练过程中获得更大权重，而微妙的价格相关变化则未被充分表达。因此，尽管这些模型能够实现高精度预测，但它们可能难以区分价格响应性变化与主导性时间需求模式，导致其预测主要依赖于历史需求演变，而非显式刻画潜在的价格响应机制。
此外，当前研究往往简化了市场竞争的空间结构。大多数现有研究，包括物理信息方法（Qu等，2024a），基于欧几里得距离或行政边界构建空间依赖关系，隐含假设竞争互动主要发生在地理相邻区域之间。尽管一些博弈论模型已开始探索动态环境中的多智能体行为（Pok等，2025），但它们仍主要依赖预定义或相对静态的互动结构。实际上，充电需求互动还受交通流量和出行连接的影响，而不仅仅取决于地理邻近性。例如，下游充电区域的价格下调可能吸引来自通过主要出行走廊连接的更远上游区域的需求，这种关系仅基于距离的图可能无法充分表示。现有模型中常用的地理拓扑与实际出行连接所反映的功能拓扑之间的差异，可能限制了竞争关系的识别以及定价效应传播的相应路径。
近期研究已开始应对这些充电动态的多维复杂性。从行为视角来看，Zhang等（2026）量化了用户异质性的影响，表明由续航里程焦虑和多样化采纳目标等因素驱动的充电偏好不确定性，可能将电网负荷波动放大多达82.7%。这一发现凸显了对模型在重大行为不确定性下仍能保持可靠性能的需求。从拓扑视角来看，Yang等（2026）通过将车站互动的建模从静态网络扩展为动态异质图框架，捕获了网约车与充电联合市场中的合作与竞争互动。尽管这些研究表明了考虑行为不确定性和复杂图结构互动的重要性，但它们主要聚焦于系统级变异性或运营优化。然而，一个在不确定性下显式分离微妙价格响应信号与主导性行为需求模式的统一框架仍然缺失，且价格变化在信号遮蔽效应下影响充电需求的机制尚未得到充分刻画。
为应对这些局限，本文提出了一种新颖的框架，称为残差耦合图神经网络（RC-GNN）。与传统耦合架构不同，RC-GNN显式地将学习过程解耦为两条流：一条趋势流捕获主导性周期性需求模式，另一条竞争流隔离价格驱动的波动。这种解耦设计缓解了信号遮蔽问题，使模型能够更敏感地响应边际价格变化。在此基础上，我们进一步构建了一个脉冲响应分析框架，通过对训练好的模型施加受控价格扰动，来考察充电市场中价格响应的动态特征。
本研究的主要贡献总结如下：
（1）面向信号恢复的解耦架构：提出了RC-GNN架构以缓解电动汽车充电数据中的信号遮蔽效应。通过结构性分离周期性趋势与残差波动的建模，需求预测从传统的模式匹配扩展到显式考虑价格响应性变化，从而在显著需求变异性下实现更可靠的弹性估计。
（2）通过峰值偏移图发现功能拓扑：构建了一种新颖的峰值偏移图以建模区域间的时间滞后功能依赖。通过量化充电负荷序列中的异步相关性，有效捕获了静态地理图无法表示的竞争互动模式。显式识别出强相互影响的功能关联区域对，表明竞争依赖性由潜在交通流量而非简单的欧几里得邻近性驱动。
（3）价格信号下的非对称竞争动态：定量刻画了用户对价格信号响应的非对称性，并提供了与电动汽车充电场景中损失厌恶一致的实证证据。实验结果表明，价格上涨引起的溢出效应比降价引起的吸引效应更为显著且空间范围更广。这些发现表明，动态定价主要作为跨时空重新分配负荷的机制，而非抑制总需求的机制。
本文其余部分组织如下。第2节对相关文献进行综合评述。第3节详述了本文提出的模型架构及所采用的脉冲弹性分析方法。第4节描述了用于验证的数据集和实验设置。第5节呈现实证结果并讨论潜在的市场动态。最后，第6节总结全文。
章节摘要
文献综述
城市电动汽车（EV）充电基础设施的高效运营依赖于准确的负荷预测和通过经济激励对用户行为的有效调节。因此，该领域的研究已逐步从单站时间预测转向网络级时空建模。然而，仍存在若干方法论局限，特别是依赖静态地理假设，这可能无法充分表示动态功能性关系。
方法论
在本节中，我们呈现本研究的方法论框架。首先，我们构建区域间充电竞争博弈模型（第3.1节）。随后，我们详述了所提出的RC-GNN架构（第3.2节），该架构专门设计以支持第3.3节中引入的脉冲响应机制，用于量化需求弹性。
数据集
为评估所提出模型的性能，我们使用了UrbanEV数据集——一个由Li等（2025a）介绍的大规模中国深圳真实电动汽车充电基准数据集。该数据集涵盖2022年9月1日至2023年2月28日的时段，在交通分析区（TAZ）层面提供了多源充电相关信息，时间分辨率为每小时。它包含分布于深圳的23,441个充电桩的充电信息，其中……
结果与讨论
在本节中，我们全面评估了所提出的RC-GNN框架。为捕获常规出行中刚性的时空约束，主要分析包括：5.1 预测性能、5.2 解耦机制的必要性、5.2.1 结构消融：预测性能、5.2.2 机制消融：弹性矩阵的定量分析、5.3 价格响应非对称性、5.4 功能耦合机制、5.4.1 对降价扰动的响应、5.4.2 分析……
结论
在本文中，我们提出了残差耦合图神经网络（RC-GNN）以应对复杂电动汽车充电市场中价格弹性量化的挑战。通过引入残差解耦机制，模型有效缓解了传统耦合架构中固有的"信号遮蔽"效应，从主导性周期性需求趋势中分离出价格引起的需求变化。该设计实现了对充电需求动态的更可靠表征，并支持……
CRediT作者贡献声明
Jia He：撰写—初稿、监督、方法论、经费获取、概念化。Yan-Lei Hu：撰写—初稿、可视化、方法论、数据整理。Qing-Yu Liu：可视化、软件、数据整理。Fang He：撰写—审阅与编辑、验证、监督、概念化。
利益冲突声明
作者声明不存在已知的竞争经济利益或个人关系，这些利益或关系可能被认为会影响本文报告的工作。
致谢
本研究受国家自然科学基金（72371004、72288101、72231001、72371141）和北京市自然科学基金（4252005）资助。
Jia He|Yan-Lei Hu|Qing-Yu Liu|Fang He
