预测未来电动汽车充电需求，以揭示城市规模停车场光伏充电容量

《Travel Behaviour and Society》：Forecasting of future electric-vehicle charging demands for unravelling city-scale carpark photovoltaic charging capacity

　　摘要随着电动汽车（EV）的快速普及，以及低碳发展需求和缓解电网压力的日益迫切，将分布式光伏与城市电动汽车充电相结合的重要性日益凸显。然而，目前在城市尺度上尚缺乏对光伏供电充电设施的系统规划，同时将未来电动汽车充电需求（EVCD）与城市尺度光伏发电量（PVEG）耦合仍具挑战性，因为二者均表现出显著的空间异质性。为应对这一挑战，我们开发了一个框架，该框架结合了基于机器学习的EVCD预测、高分辨率停车场光伏潜力评估，以及用于在充电站之间重新分配剩余PVEG的动态调度算法。动态调度最大限度地利用本地可再生能源，并实现PVEG与EVCD之间更高的匹配度。以新加坡为案例研究，所开发的模型取得了较高的预测精度（R2大于0.85），能够可靠地识别未来电动汽车充电热点区域。研究还发现：（i）在年度总量层面，绝大多数停车场的PVEG足以覆盖当前和预测的EVCD；（ii）经过动态调度后，PVEG与EVCD的整体匹配率达到90.73%，大多数规划区接近全年平衡，仅有少数西南部地区因物理约束略低于该水平。这些发现证明了将地理信息科学（GIScience）与基于太阳能的充电协调相结合的潜力，为推进低碳交通规划提供了实践性见解。

1. 引言
1.1. 背景
随着全球化石燃料短缺和环境污染问题的日益加剧，向更清洁能源替代品的转型已成为可持续发展研究的核心焦点（Udara Willhelm Abeydeera 等，2019）。交通运输部门作为主要能源消费领域，是碳排放的关键来源之一（Khwaja 等，2021）。电动汽车（EV）的兴起正在推动该领域从传统化石燃料向可再生能源系统的转型。新加坡设定了“到2030年电动汽车渗透率达到30%，到2040年全面电动化”的战略目标。在此计划的推动下，新加坡陆路交通管理局宣布，全电动汽车数量几乎翻了一番，从2024年12月31日的26,225辆增加到2025年12月31日的49,110辆（LTA，2025），且全岛已安装超过13,800个充电点，其中包括近1,000个组屋停车场（LTA，2024）。此外，截至2025年12月31日，汽油-电动和电动汽车占出租车总数的99%（LTA，2025）。电动汽车普及和基础设施的快速增长凸显了对空间优化和数据驱动规划方法的需求。

虽然这一转型带来了显著的环境效益，但电动汽车的广泛普及也给城市能源和交通系统带来了重大挑战，主要原因是公共充电基础设施的可用性有限且分布不均（Unterluggauer 等，2021；Zhang 等，2017）。在许多城市环境中，充电站主要集中在中央商务区和商业中心，而住宅区和工业区则服务不足。这种空间错配可能无法满足高需求，从而加剧用户的里程焦虑，并导致基础设施利用效率低下。此外，现有的需求预测通常依赖于静态的历史使用数据，往往难以捕捉短期动态变化，尤其是在新发展区或数据稀缺地区，存在明显局限性。

与此同时，随着制造成本的持续下降，太阳能光伏（PV）系统已成为电力行业脱碳的关键技术（He 等，2019；Z. Huang 等，2019a；Huang 等，2019b）。以新加坡为例，其热带气候赋予的年均太阳辐射强度比温带国家高50%，显示出显著的太阳能开发潜力。需要强调的是，如果电动汽车充电基础设施仍依赖化石燃料供电，将削弱电动汽车的碳减排效益。此外，电动汽车普及率的提高预计将给城市电网带来额外压力，尤其是在用电高峰时段（Ji 等，2024）。在城市尺度上规划太阳能供电的电动汽车充电基础设施，并在空间和时间上实现PVEG与电动汽车充电需求（EVCD）之间的动态平衡，可以解决上述问题并充分利用可再生能源潜力。因此，本研究的主要目标是开发一个空间框架，将基于机器学习的EVCD预测与高分辨率停车场屋顶光伏潜力评估相结合，以新加坡为案例研究，实现高效低碳充电基础设施的局部层面规划。

1.2. 基于深度学习的EVCD预测
深度学习方法因其强大的非线性建模能力和捕捉复杂时间模式的能力而被广泛应用（Douaidi 等，2023）。现有研究表明，LSTM和基于图的神经网络等模型通过整合时间动态和空间依赖关系，可以有效提高短期负荷预测精度（Zhu 等，2019a；Jin 等，2022；Huang 等，2020）。近期发展进一步将这些方法扩展到多尺度时空建模和数据稀缺场景（Qu 等，2024）。虽然这些研究凸显了深度学习在建模复杂充电行为方面的优势，但许多广泛使用的架构是基于密集的历史充电记录和明确定义的时空结构进行训练的，这可能限制其直接应用于新发展或数据稀疏地区。尽管如此，新兴的可泛化深度学习模型从地理特征和网络结构中学习可迁移的关系，能够在没有本地历史数据的情况下，实现对地理上未见区域或新站点位置的出行需求预测（Simini 等，2021；Liang 等，2023）。

尽管这些方法整合了城市充电网络中的空间和时间特征，但在实际部署中存在某些局限性。许多此类模型依赖于大规模、高质量的历史数据，需要长期充电负荷和用户出行行为数据作为输入（Huang 等，2023）。如果没有显式的迁移或跨区域泛化机制，它们可能难以识别历史记录有限或新发展区域中的潜在热点需求区域（Yang 等，2020），这限制了它们在大规模城市充电网络动态优化和整体布局中的应用。

1.3. 基于机器学习的EVCD预测
机器学习（ML）方法也因其在建模非线性关系和整合异质特征方面的灵活性而被广泛应用于EVCD预测。常见方法包括随机森林、支持向量机以及XGBoost等梯度提升模型（Cortes 和 Vapnik，1995；Chen 和 Guestrin，2016）。现有研究表明，ML模型通过整合多源信息（包括历史充电数据、气象变量和交通相关特征）可以有效提高预测精度（Ji 等，2020；Shahriar 等，2021）。

与主要基于密集长期序列数据进行训练的深度学习方法相比，传统ML模型提供了一种直接的特征驱动替代方案，因此适用于历史充电记录有限或新兴基础设施场景。本研究并非旨在为现有充电网络开发最先进的短期预测模型，而是侧重于在数据稀疏和新兴基础设施背景下进行面向规划的网格级热点识别，包括缺乏历史充电记录的区域。在这种环境中，特征驱动的机器学习模型是实用的，因为它们可以从多源空间、基础设施、环境和行为代理变量中推断潜在充电需求。相比之下，许多先进的时空深度学习模型依赖于密集的长期序列观测和明确定义的网络结构，而这些在新开发或服务不足地区往往不可用。

此外，一些研究基于出行链理论（Lin 等，2024），综合考虑充电位置、充电开始时间、行驶距离和充电频率等多个因素，建立了城市内社区级时空分布充电需求模型，使预测结果更贴近实际出行行为特征。Chen 等（2025）结合了经验模态分解、模糊熵和集成学习方法。该框架将充电负荷时间序列解耦为多个更简单的分量，并分别使用LSTM和SVR预测每个分量。最终预测通过Stacking获得，显著提高了预测精度和稳定性。

ML擅长在无需严格分布假设的情况下揭示复杂的非线性关系，具有适应性、计算效率和适度的样本要求；然而，其可解释性仍弱于传统统计回归方法，这给高风险应用带来了挑战。在本研究中，ML方法特别适合通过考虑多源异质特征来预测城市尺度的EVCD热点区域。它们可以通过特征推断来估计缺乏充电历史数据或新开发设施区域的的需求。与主要基于密集长期历史充电数据训练的深度学习方法相比，传统ML方法为缺乏现有充电基础设施区域的现实EVCD预测提供了实用的特征驱动选项。然而，这并不意味着深度学习本质上不适用于数据稀疏环境：最近的可泛化模型通过从地理特征和网络结构中迁移学习到的关系，预测了未见区域的出行流和新站点位置的需求，而无需本地历史数据（Simini 等，2021；Liang 等，2023）。因此，模型选择应反映可用数据、迁移设置和规划目标；在本研究中，利用多源空间特征的ML模型为识别未来需求热点提供了一种稳健且可行的方法。

大量研究表明，城市区域的EVCD受空间、社会经济、环境和基础设施因素的复杂相互作用影响。其中，土地利用和土地覆盖（LULC）模式起着基础性作用：以商业或混合功能为主的区域通常因停车时间较长而表现出更高的充电活动。相反，以住宅为主的区域可能表现出与家庭日常活动相关的更稳定、特定时间的充电行为。

此外，天气和环境条件（如温度、降雨量和风速）可以直接或间接影响EV使用频率、充电习惯甚至能源效率（Kang 等，2022）。例如，极端高温或降雨可能减少出行频率或增加能耗。社会经济指标（如国内生产总值、就业密度和人口）通常作为城市活动强度和汽车拥有模式的代理变量，这些与EV采用和充电行为密切相关。此外，交通基础设施的可用性（包括停车场数量和总车位容量）决定了充电服务的物理可行性和可达性（Qureshi 等，2021）。通过将这些多源特征纳入预测模型，EVCD预测可以捕捉更具本地化、情境感知的变异，尤其是在缺乏历史充电数据的区域。

EVCD不仅仅是基础设施利用的结果，根本上是由个体出行行为驱动的。基于活动出行理论的时间-空间约束理论，日常出行需求源于个体参与分布在空间和时间上的各种活动（Bowman 和 Ben-Akiva，2000），充电行为通常作为衍生活动嵌入通勤、购物或休闲等日常活动中。因此，EVCD的时空分布反映了城市功能结构和居民活动模式的综合影响（Pan 等，2020）。本研究采用的预测变量可以在这一行为框架内进行理论解释：星期几（DoW）变量捕捉活动安排的周期性差异；土地利用（LU）代表影响停车和充电行为的活动机会的空间变化；人口密度（PD）作为出行生成强度和潜在车辆拥有量的代理变量；充电站容量（CSC）反映行为实现的基础设施约束；天气变量描述调节出行频率和车辆能耗的环境条件。

1.4. 城市尺度屋顶和立面光伏的空间优化
准确评估充电站附近太阳能光伏潜力是高效光伏充电整合到动态EV充电网络中的关键前提（Ji 等，2024）。城市太阳能的分布受城市形态（Charfi 等，2018）和当地气象条件（Wong 等，2016）的极大影响。估算三维城市表面（包括屋顶和立面）上的太阳辐照度，通过明确考虑周围建筑、树木和其他城市障碍物的遮挡效应，可以显著提高光伏潜力评估的准确性（Gooding 等，2015）。近期研究开发了三维太阳能城市模型，通过使太阳辐射照射三维城市模型表面来获取三维建筑阴影面，并分析新建筑对周围建筑光伏潜力的影响（Zhu等，2019a；Zhu等，2019b）。进一步的研究将时空分析与技术经济评估框架相结合，以优化光伏供应，证明将太阳能估算模型与高质量三维建筑模型相结合，能够对太阳能分布估算进行更可靠的评估。Zhu等（2022a）通过将新加坡的城市太阳能潜力与实时共享网络相结合，解决了共享电动摩托车充电焦虑的问题。虽然建筑立面通常比屋顶拥有更大的可用表面积，但其太阳能光伏潜力通常低于屋顶系统（Catita等，2014）。相比之下，建筑屋顶被视为光伏部署的理想载体，因为它们不需要额外的城市土地（Rigter & Vidican，2010），并且其集成应用可以有效缓解城市能源压力并减少环境负荷（Freitas等，2015）。

停车场屋顶光伏潜力的评估需要精确量化可用面积，但大多数城市缺乏详细的屋顶数据（Zhong等，2021）。为此，高分辨率三维空间数据（如激光雷达和数字表面模型）已被用于屋顶提取（Zhong等，2021），而数据采集和处理的高昂成本限制了城市规模的应用。近年来，基于深度学习的语义分割技术（如LSGCN）通过高分辨率卫星/航空影像实现了屋顶的自动提取（Huang等，2019a；Zhong等，2021）。该方法显著降低了数据采集和人工标注工作的成本，从而提高了可扩展性和运行效率。

除建筑屋顶和立面的外，开放空间（如室外停车场）已成为城市光伏系统大规模部署的高效载体。开放停车场提供足够的表面积来支撑光伏雨棚，以最大化能量捕获，并直接支持现场电动汽车充电基础设施（Alghamdi等，2017）。考虑到当地太阳能资源的可用性和经济可行性，在城市开放空间中规划光伏系统可以使城市将当地可再生能源发电与电动汽车充电需求的时空分布动态整合。

1.5 城市规模电动汽车光伏充电的时空平衡

在各种可再生能源解决方案中，太阳能是城市环境中最有前景的选择之一。然而，城市中有效收集和利用太阳能仍然面临重大挑战，这需要更准确的预测以及对实时电力生产和电力市场中灵活能源供应动态平衡的深入理解（Wong等，2022）。

以往研究主要将整个区域视为一个需求响应系统进行整体电力匹配，未充分考虑光伏潜力的时空变化及其对电动汽车充电需求不确定性和灵活性的影响。针对这些挑战，Zhu等（2023）通过地理信息科学驱动的动态时空平衡框架，揭示了地理信息科学在建设可持续太阳能城市中的关键作用。该研究提出的可持续太阳能城市框架整合了地理信息系统空间分析和数据驱动模型，以有效协调异质能源供需的动态匹配。此外，Ji等（2024）开发了一个城市级时空调度框架，将电动汽车充电需求与停车场屋顶光伏潜力耦合，实现剩余光伏电能在充电站间的智能再分配。实证证据表明，该框架提高了区域能源自给率，同时降低了对电网的依赖，显著优化了多尺度下的时空能源平衡。总体而言，本研究提出了一种时空平衡方法，将当地停车场屋顶光伏发电量与预测的电动汽车充电需求对齐，减少对集中调度的依赖，提高城市能源系统的运行效率。

1.6 研究贡献

本研究提出三大贡献。首先，本研究开发了一个能够成功检测未来电动汽车充电需求热点区域的模型，显著提高了缺乏足够历史充电数据区域的电动汽车充电预测精度，并有效促进了电动汽车充电桩的规划。其次，本研究通过考虑太阳能资源的时空异质性，确定了停车场中光伏部署的最佳位置，即当地太阳能供应能够满足预测充电需求的区域。第三，本研究提出了一种时空调度算法，在各类城市区域的微电网之间最大化停车场光伏剩余电力的供应。该框架提高了城市电动汽车充电的效率和灵活性。

2 城市规模停车场光伏电站优化

在本研究中，我们开发了一个集成机器学习框架来估算基于网格的电动汽车充电需求，并提出新加坡电动汽车充电光伏发电量的动态平衡。该框架侧重于在距离和站间连接等空间约束下的每日预测和光伏发电量的动态再分配。这种综合方法不仅确保了未来充电需求热点区域的可靠估算，还实现了光伏发电量与电动汽车充电需求之间的优化空间平衡，从而有助于实现更高效和可持续的城市发展。

2.1 研究框架

本研究开发了综合研究框架，用于优化城市规模停车场屋顶光伏规划，以动态匹配电动汽车充电需求（图1）。该框架包括三个相互关联的模块。第一个模块使用基于网格的空间划分和机器学习来预测电动汽车充电需求。通过整合土地利用、人口密度、停车场容量和环境变量等多源特征，该模块即使在缺乏历史数据的区域也能支持需求估算。第二个模块通过将地表太阳辐射数据与三维城市形态相结合，完善光伏发电量潜力评估，生成高分辨率光伏潜力图并确定最佳安装位置。第三个模块构建了多层次动态调度和优化策略：（i）量化500米网格中的月度供需平衡（光伏发电量/电动汽车充电需求），（ii）在规划区层面评估充电容量平衡，以识别潜在的盈余或赤字区域，以及（iii）实施多轮调度过程，实现规划区域间剩余光伏发电量的动态再分配。通过将需求预测和光伏供应估算整合到统一动态优化框架中，本研究为城市电动汽车充电基础设施规划提供了可操作的见解。

下载：下载高分辨率图像（532KB）
下载：下载全尺寸图像
图1. 城市规模停车场光伏发电量与电动汽车充电需求平衡优化的研究框架。

本研究采用500米×500米网格作为基本空间单元。在新加坡高密度城市环境中，该尺度大约对应于短距离步行距离，与公共停车场和充电设施的典型服务范围一致，因此适合表示局部充电行为。它也与社区级基础设施规划实践相吻合，同时保留了足够的空间变化来识别需求热点。使用更细的网格将显著增加充电活动有限区域的数据稀疏性，而更粗的单元可能模糊城市内部差异，削弱光伏发电量与电动汽车充电需求之间局部不平衡的识别。

2.2 研究区域

新加坡受益于其赤道位置，全年享有持续而丰富的太阳辐射。作为世界上人口密度最高的国家之一，该国高度重视公共交通系统的优化和城市交通的精细化管理（Abbasi等，2019）。根据陆路交通管理局的数据，电动汽车数量从2023年12月的12,412辆增加到2025年2月的29,421辆。这种快速普及导致了充电基础设施的相应增长，目前新加坡有超过13,800个充电桩投入运营，纯电动出租车的份额预计到2025年1月将达到3.9%。电动汽车普及率和充电基础设施的快速增长凸显了空间优化和数据驱动规划的迫切需求（Viswanathan等，2016）。该国紧凑的城市形态、独特的赤道地理优势和前瞻性的政策环境，使其成为评估电动汽车充电需求和光伏发电量时空预测模型的理想研究区域。

2.3 数据集

本研究从OpenStreetMap收集了新加坡最新的停车场分布数据（多边形）和土地利用数据（多边形）（OpenStreetMap，2025）。三维建筑高度数据来自3D-GloBFP数据集的亚洲建筑高度数据集，该数据集提供了精确停车场屋顶光伏潜力估算所需的详细形态信息（Che等，2024）。本研究从政府开放数据门户（https://data.gov.sg/datasets）获取了人口密度、停车场数量和总车位数据，以表示人类活动强度和停车基础设施容量。本研究从哥白尼气候数据商店（Copernicus Climate Data Store，2025）获取了太阳表面辐射数据，并从新加坡气象局获取了环境变量，包括降雨量、平均温度和最大风速。为分析电动汽车充电需求，本研究从电动汽车充电运营商处获取了充电记录数据集。该数据集涵盖2024年4月23日至2025年2月28日期间的227个充电站，采集频率为每30分钟一次。每条数据记录包含充电位置、时间和充电功率信息，从而为具有高时空分辨率的充电行为分析奠定了基础。充电站分布在新加坡多种城市环境中，覆盖了多样化的住宅、商业、工业和混合用途区域。不同站点的充电使用情况也存在显著差异，反映了周边土地利用、人口密度、停车容量和当地出行活动的差异。这种空间和跨站点异质性对本研究非常重要，因为它支持开发基于网格的电动汽车充电需求模型，该模型可以从观测到的站点使用情况中学习，并推广到没有现有充电记录的区域。

2.4 电动汽车充电热点检测

城市区域被划分为空间连续且均匀的网格单元，分辨率为500米。在模型训练之前，本研究对原始电动汽车充电数据进行了预处理，这些数据以30分钟间隔记录每个充电站和充电桩的数据，以确保数据可靠性和代表性。零耗电量（0千瓦时）的充电会话被删除，以排除空闲或不完整的记录。然后，本研究汇总了每个站点每个充电桩的日总耗电量。为标准化不同规模站点间的需求，通过将日总耗电量除以当天记录的所有运行充电桩数量之和，计算出日平均负荷。对于站点??在日期??，日平均负荷????,??在公式（1）中定义：

????,?? = ????,?? / ∑(??=1 to ????,??) ???? （1）

其中????,??是日期??的总耗电量（千瓦时），????表示记录??中报告的运行充电桩数量，????,??是站点??在日期??的有效（非零使用）记录总数。

在本研究中，电动汽车充电需求预测特征从三个主要维度构建：城市活动强度、基础设施供应约束和环境条件。这些包括历史充电需求（CD）、星期几（DoW）、土地利用（LU）、人口密度（PD）、充电站容量（CSC）和天气变量（气温，AT；降雨量，RF；风速，WS）。基于活动的出行理论和时间空间约束理论可用于解释这些变量的行为相关性。从基于活动的角度来看，电动汽车充电需求反映的是个人的日常出行模式、目的地选择和时间安排，而不仅仅是基础设施的使用。在这种背景下，土地利用和人口密度代表人类活动的空间分布和强度，星期几捕捉与工作和非工作出行相关的规律性时间变化，充电站容量反映充电机会的供给侧约束，天气条件影响出行频率和车辆能耗。

具体而言，历史充电需求（CD）直接反映现有充电站点的局部使用强度。星期几（DoW）揭示出行模式和充电习惯的周期性时间差异。土地利用（LU）通过反映城市功能分区的异质性影响充电需求。例如，商业和商务区由于车辆周转率高和停车时间短而呈现高峰需求，而住宅区则呈现低强度稳态需求。人口密度（PD）量化人类活动强度并间接反映车辆保有量水平，而充电站容量（CSC）表征基础设施供应约束。环境变量（AT、RF和WS）可能通过影响驾驶行为和充电频率间接影响充电需求。通过反距离加权（IDW）插值生成空间连续栅格数据，以匹配分析尺度。因此，可以构建以网格单元汇总的稳健数据集：T = {(CD, DoW, LU, PD, CSC, AT, RF, WS)}。

利用该数据集，我们构建了基于机器学习的电动汽车充电需求估算模型（即XGBoost和随机森林）。模型开发采用了5折交叉验证，网格单元中包含充电站和充电记录。在基于观测到的充电站相关网格单元训练模型后，我们将其应用于新加坡所有其他网格单元，包括训练期间没有充电站的区域，以识别潜在的未来需求热点。为了评估所提方法的实际适用性，本研究使用训练好的模型对训练期间没有充电站的网格单元中的电动汽车充电需求（EVCD）进行预测。这些区域缺乏历史充电数据，代表新开发或先前未覆盖的区域。这种设置能够进行样本外验证，测试模型泛化到未知位置的能力，并在不依赖过去使用记录的情况下识别潜在的未来需求热点。

2.5. 停车场屋顶光伏发电潜力估算

本研究整合了高分辨率地表太阳辐射（SSRD）数据与详细的3D城市形态特征，以估算停车场屋顶光伏发电潜力。本研究从哥白尼气候数据商店获取月度SSRD数据，空间分辨率为0.25°，随后裁剪以匹配新加坡的条件。考虑到新加坡靠近赤道，季节变化极小，本研究使用每月第15天的SSRD数据作为该月平均日太阳辐射的代表性代理，然后计算08：00至18：00主要发电时段内的每日停车场屋顶光伏潜力，以反映实际停车场屋顶光伏运行时段。

本研究中，使用ArcGIS Pro中的山体阴影分析工具集，利用3D建筑模型估算每个停车场的阴影时空分布。阴影分析以1米空间分辨率进行，能够在单个停车场层面详细识别阴影模式。在时间分辨率上，从08：00到18：00生成逐时山体阴影图，捕捉主要停车场屋顶光伏发电时段内动态太阳位置。然后，我们将阴影指数应用于年地表太阳辐射数据（kWh/m2/年），得到有效辐射输入。我们计算所有11个逐时间隔的山体阴影值之和，以量化每个像素的累积日阴影强度。每个停车场的年停车场屋顶光伏发电潜力通过公式（2）计算：

EPV = GSSRD × A × η × PR (2)

其中，GSSRD（kWh/m2/年）为年地表太阳辐射，A（m2）为可用停车场面积，η为停车场屋顶光伏组件效率（基于典型商业组件性能设定为20%），PR为性能比，设定为0.8（新加坡太阳能研究所，2020）。

为了捕捉详细的空间变异性，本研究以1米分辨率计算停车场屋顶光伏发电潜力，然后基于500米网格单元进行聚合，以与电动汽车充电需求预测框架保持一致。我们还通过聚合每月第15天的逐日阴影图导出月度阴影值，代表该月的典型太阳条件，并通过将所有月度阴影栅格相加计算年度阴影，从而提供全年阴影条件的综合估算。最终输出包括500米分辨率的估计月度和年度停车场屋顶光伏发电潜力空间图，这些作为识别停车场屋顶光伏热点、支持与预测EVCD动态匹配以及促进潜在微电网配置规划的关键输入。

2.6. 停车场屋顶光伏站点优化

本研究首先评估了多个空间尺度下停车场屋顶光伏发电潜力与EVCD之间的空间关系，然后设计了一个集成距离约束、优先级加权和多轮调度算法的框架，以实现光伏发电潜力与EVCD之间的动态和分层时空平衡。在本研究中，“平衡”是指减少电网层面光伏发电潜力与EVCD之间的不匹配，而“调度”是指将剩余光伏电力从供应区域空间重新分配至短缺区域。动态平衡意味着一个城市区域的剩余电力可以通过满足网络拓扑约束的短传输距离调度到附近短缺区域，从而补偿未满足的EVCD。因此，该过程有助于评估城市区域协调可再生能源共享的规划可行性。在微观层面，本研究将整个城市区域划分为均质的500米网格单元，以捕捉停车场屋顶光伏发电潜力和EVCD的详细局部变化。对于每个网格单元i，供需比如公式（3）计算：

Ri = PVEGi / EVCDi (3)

其中，Ri表示本地停车场屋顶光伏发电潜力满足单元i中电动汽车充电需求的潜在覆盖能力。

本研究生成了这些比率的热力图，以提供本地供需不匹配的地理可视化。该方法能够有效识别高电动汽车充电但停车场屋顶光伏发电供应不足的精细尺度热点，以及具有潜在停车场屋顶光伏盈余的区域。在宏观层面，本研究将微观层面的PVEG和EVCD数据聚合到55个规划区，这些规划区由新加坡城市行政分区定义，并用灰色边界线描绘，如图2所示（规划区缩写见表1）。对于每个规划区，通过从总周PVEG中减去总周EVCD，在公式（4）中计算周净供需差。该指数使我们能够评估区域层面PVEG与EVCD之间的时空不匹配。

下载：下载高分辨率图像（167KB）
下载：下载全尺寸图像
图2. 新加坡规划区的空间分布。

表1. 新加坡规划区的缩写和全称。

缩写 全称 缩写 全称
AM 宏茂桥 OR 乌节
BD 勿洛 OT 欧南
BS 碧山 PR 巴西立
BL 波那维斯达 PL 巴耶利峇
BK 武吉巴督 PN 先驱
BM 武吉美拉 PG 榜鹅
BP 武吉班让 QT 女皇镇
BT 武吉知马 RC 梧槽
CC 中央集水区 RV 里峇峇利
CH 樟宜 SL 实里达
CB 樟宜湾 SB 三巴旺
CK 蔡厝港 SE 盛港
CL 金文泰 SG 实龙岗
DT 市中心 SM 森巴旺
GL 芽笼 SI 南部群岛
HG 后港 SV 海峡景
JE 裕廊东 SK 双溪加株
JW 裕廊西 SR 新加坡河
KL 加冷 TM 淡滨尼
LK 林厝港 TN 汤申
MD 万礼 TH 登加
ME 马林百列 TP 大巴窑
MS 滨海南 TS 大士
MP 马林百列 WI 西部群岛
MU 博物馆 WC 西部集水区
NT 牛顿 WD 兀兰
NE 东北群岛 YS 义顺
NV 诺维娜

ΔDi = PVEGi ? EVCDi (4)

其中，正的ΔDi表示剩余光伏能量，负值表示能量短缺。该指数捕捉了PVEG与EVCD之间的区域尺度失衡，并为后续优化奠定基础。

在此评估基础上，本研究设计了一个改进的调度优化框架，以增强规划区层面PVEG与EVCD之间的空间协调。本研究的创新之处在于开发了一个基于图、距离和跳数约束的多轮调度框架，明确地将规划区层面的剩余PVEG与短缺EVCD联系起来，以实现空间现实的城市能源平衡。所有规划区都表示为空间图中的节点，其中邻接关系源自规划区邻接矩阵，并与地理坐标（纬度和经度）相结合。本研究使用Haversine公式计算节点间的成对距离，当相应规划区相邻时，在两个节点之间建立边。每条边赋予物理距离（公里），形成地理显式图G（V，E），从而实现区域间空间现实的能源调度。

该框架通过将剩余PVEG从供应区域重新分配至相邻短缺区域来实现能源的最优分配。为确保该算法的实际可行性，本研究对所有调度路径考虑两个限制：（1）最大允许传输距离限制为18公里，以保持城市内的可行性；（2）供应方与接收方之间的中间节点数量限制为4（K≤4）。

在实践中，这些阈值可根据每日充电需求和系统负载进行调整。例如，在EVCD较高的日子，我们可以略微放宽距离或跳数限制；而在系统中等需求运行下，可以收紧它们。调度过程遵循优先级驱动的分配机制，量化每次潜在电力传输的紧迫性和效率。基于计算的优先级分数，调度通过多轮贪心分配进行。剩余能量从最近且最充足的来源传输到选定的接收者。每次分配后，算法更新所有节点的能量状态，并重复该过程，直到整体剩余赤字变化低于收敛阈值。改进调度算法的实现过程汇总在表2中。第7-10行初始化迭代过程。从第一轮开始，该算法重置全局传输标志（moved_global），并按降序对接收者排序，优先为需求较高的站点提供服务。在第11-13行，算法检查每个接收者。如果其赤字已满足，则跳过。在第14-16行，算法构建候选集C，其中包含仍有剩余电力且同时满足距离和中间节点约束的供应者。如果没有有效供应者，则跳过该接收者。第17-18行按距离递增对候选对象排序，然后在接收者仍有未满足需求时依次选择供应者。第19-25行执行实际传输，可传输电量Δe为供应者剩余电量和接收者赤字的最小值。传输Δe后，两个站点的电力值都将更新，并设置moved_global以表示本轮发生了重新分配。第27-29行检查是否进行了传输。如果moved_global = 0，则无法再重新分配，算法结束。如有必要，从第30-31行开始下一轮，并继续直到达到MAX_ROUNDS。

表2. 调度算法的伪代码。

初始化
1 ER：接收者集合（赤字站点）； EP：供应者集合（盈余站点）
2 d(er, ep)：站点间最短距离（公里），通过Haversine公式计算
3 K(er, ep)：站点间传输步数（图路径长度）
4 DIST_CAP = 18 km； HOPS_CAP = 4（可自适应调整）
5 es(ep)：供应者ep的剩余电量； ed(er)：接收者er的电力赤字
6 MAX_ROUNDS：最大调度迭代次数

算法
7 round ← 1
8 while round ≤ MAX_ROUNDS:
9 moved_global ← 0
10 按接收者优先级对ER排序（降序）
11 对于每个er ∈ ER（按该顺序）：
12 如果ed(er) ≤ 0：
13 继续
14 C ← { ep ∈ EP | es(ep) > 0 ∧ d(er, ep) ≤ DIST_CAP ∧ K(er, ep) ≤ HOPS_CAP } ∧ ep ≠ er
15 如果C = ?：
16 继续
17 按 (d(er, ep) ↑, es(ep) ↓) 对C排序
18 对于每个ep ∈ C，而 ed(er) > 0：
19 Δe ← min(es(ep), ed(er))
20 如果Δe = 0：
21 继续
22 从ep传输Δe到er
23 es(ep) ← es(ep) ? Δe
24 ed(er) ← ed(er) ? Δe
25 moved_global ← 1
26 结束循环
27 结束循环
28 如果moved_global = 0：
29 跳出循环
30 round ← round + 1
31结束循环

优化的有效性通过满意度（SR）评估：

SR = 1 ? (Σ_i D_after_i) / (Σ_i D_before_i)

其中，D_before_i和D_after_i分别表示调度前和调度后的总赤字。

3. 结果

3.1. 基于机器学习的训练与验证

建立了基于机器学习的框架来预测500米网格层面的EVCD。特征集包括土地利用类型（如自然、商业、工业、特殊用途、机构、商业运输和住宅）、停车场特征（如停车场数量、总车位）、人口密度以及关键环境变量，包括降雨量、平均气温和最大风速。此外，工作日指标采用独热编码以捕捉每周行为变化。

为确保稳健的泛化并避免过拟合，本研究将数据集划分为训练集、验证集和独立测试集。本研究选择随机森林和XGBoost作为机器学习算法，以捕捉非线性关系和复杂特征交互，并使用线性回归和岭回归作为基线线性模型进行比较，以反映传统回归方法的性能。模型性能通过五种指标评估：均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、中位数绝对误差（MedAE）和决定系数（R2）。

如表3总结，基于树的集成模型如随机森林和XGBoost相比线性模型表现出更强的预测能力。随机森林模型在测试集上实现R2为0.856，MAE为3.17 kWh，RMSE为8.67 kWh。XGBoost模型的性能类似，R2为0.855，MAE略高。相比之下，线性模型的R2仅约为0.20，证实了难以有效表示城市电动汽车充电行为中复杂的非线性模式。尽管XGBoost和随机森林都获得了高度可比的预测性能（表3），本研究选择随机森林用于后续建模和分析。这是因为随机森林实现了略低的MAE，同时保持与XGBoost基本相同的R2和RMSE，且本研究的主要目标是面向规划的 hotspots 识别，而非预测精度的边际提升。

表3. 不同机器学习模型对EVCD预测的性能。

空值 验证 测试
模型 R2 MAE RMSE R2 MAE RMSE
线性回归 0.20 14.14 21.41 0.20 14.14 21.41
岭回归 0.20 14.14 21.41 0.20 14.14 21.41
随机森林 0.856 3.17 8.67 0.86 3.17 8.67
XGBoost 0.855 3.30 8.66 0.86 3.30 8.66

为进一步提高模型可解释性，我们对选定的随机森林模型进行了SHAP分析，全局特征重要性排名汇总于表4。SHAP（Shapley加法解释）是一种博弈论解释方法，通过量化每个特征对输出的贡献来解释模型预测。在本研究中，采用SHAP值来识别电动汽车充电需求（EVCD）预测因子的相对重要性，并揭示其影响在不同样本间的异质性。结果表明，人口和总停车位数量是两个最具影响力的预测因子，其次是交通、停车楼数量和休闲/绿地。相比之下，星期几以及天气相关变量（包括降雨量、气温和最大风速）的贡献相对较小。这些结果表明，电动汽车充电需求与城市活动强度、停车基础设施和土地利用背景的关联性，要强于与短期时间或气象变化的关联性。此外，SHAP值在不同样本间的离散程度表明，这些预测因子的影响是非线性的且在空间上存在异质性，这进一步证明了本研究采用基于树的集成模型是合理的。

表4. 随机森林模型中各预测因子的平均绝对SHAP值

| 排名 | 变量 | 平均绝对SHAP值 |
|------|-----------------------|----------------|
| 1 | 人口 | 7.61 |
| 2 | 总停车位数量 | 4.23 |
| 3 | 交通 | 3.23 |
| 4 | 停车楼数量 | 2.99 |
| 5 | 休闲/绿地 | 2.97 |
| 6 | 住宅 | 1.23 |
| 7 | 商业/工业 | 0.74 |
| 8 | 特殊用途 | 0.61 |
| 9 | 气温 | 0.43 |
| 10 | 公共/机构 | 0.34 |
| 11 | 商业 | 0.33 |
| 12 | 最大风速 | 0.32 |
| 13 | 降雨量 | 0.28 |
| 14 | 自然 | 0.15 |
| 15 | 星期几 | 0.08 |

这些结果表明，在新加坡的城市充电背景下，与城市活动强度和停车基础设施相比，天气变量起着次要但不可忽视的作用。这与之前的研究大致一致，即天气通过出行频率和车辆能耗间接影响电动汽车充电，而不是作为空间充电需求的主要驱动因素。

**3.2. 网格单元呈现的预测电动汽车充电热点**

基于历史充电记录和多源空间特征构建的随机森林和XGBoost模型的评估结果（图3）表明，两个模型均能稳定地识别出城市中部和东部核心区域的高需求热点，其空间分布与高人口密度区域和混合功能开发区一致。在周末场景下，需求热点延伸至休闲商业区域的特征证实了由娱乐、购物和出行所引发的流动性增强效应。随机森林倾向于产生更高的峰值预测，因为它能更强地捕捉局部特征交互作用，而XGBoost则表现出相对更强的抑制低需求或接近零需求网格预测的倾向，这可能源于其更强的正则化效应以及更好地区分无需求或极低需求区域的能力。总体而言，两个模型在识别主要高需求集群方面表现出高度一致性，证实了预测框架的稳健性及其在实际基础设施部署中的适用性。

下载：下载高清图片（1004KB）
下载：下载全尺寸图片
图3. 使用两种机器学习模型预测的日平均EVCD。

**3.3. 估算停车场屋顶光伏发电潜力（PVEG）**

此外，我们以500米网格分辨率评估了新加坡全岛停车场的PVEG，并考虑了月度和年度尺度上的特征。通过将高分辨率SSRD数据与三维城市形态参数（包括建筑高度和局部遮挡）相结合，构建了网格级光伏发电能力模型，以支持电动汽车太阳能充电的规划。图4展示了1月至12月每月网格级停车场屋顶PVEG的分布情况，反映了新加坡的季节变化。尽管新加坡靠近赤道，全年太阳辐射相对稳定，但由于月度云量和降雨模式的波动，仍可观察到辐射的轻微变化。例如，受东北季风期间云层和降雨的影响，12月至1月的发电潜力通常略低。相比之下，由于天空晴朗、降雨稀少，4月和7月等月份的PVEG潜力更高。

下载：下载高清图片（944KB）
下载：下载全尺寸图片
图4. 新加坡月度网格级停车场屋顶PVEG模式（kWh）。

图5展示了露天停车场年度的网格级停车场屋顶PVEG，说明了太阳能收集潜力的空间变化。结果显示，新加坡东部地区的停车场屋顶PVEG容量较高，这是由于该区域露天停车场面积更大且日照条件有利。中部的大片白色区域对应中央集水区自然保护区，这是一个没有停车基础设施的受保护森林区域。结果识别出了高停车场屋顶光伏潜力的空间热点，表明这些区域的太阳能装置可能为电动汽车充电的本地能源供应做出显著贡献。

下载：下载高清图片（418KB）
下载：下载全尺寸图片
图5. 新加坡全岛年度网格级PVEG潜力（GWh）。

本研究汇总了规划区域的估算年度停车场屋顶PVEG潜力，以提供对空间供应能力的宏观理解。表5总结了新加坡选定的规划区域中露天停车场表面的估算年度总PVEG潜力。这些区域的选择旨在代表一系列主要土地利用类型和城市背景。结果显示光伏潜力存在显著的空间差异。此外，本研究选取了新加坡四个代表性功能区域，以进一步说明太阳辐射潜力的空间分异。图6展示了源自第2.5节估算方法的不同功能区太阳能光伏潜力的空间分布。图6(a)显示了新加坡中央商务区（CBD），其特点是商业停车场密度高，非常有利于安装光伏系统。图6(b)重点展示了裕廊工业区，这是一个重要的工业区，停车场具有宽敞的地面面积和开放式雨棚结构，适合最大化利用太阳能。图6(c)显示了典型住宅区（例如蔡厝港和武吉班让），由于相邻建筑的遮挡效应较大，这些区域的光伏潜力中等。图6(d)展示了榜鹅，即新加坡的下一代智能与综合区，该区域拥有大量的太阳能潜力。通过对不同功能区的调查，本研究证明了所提出的框架对各种城市形态和功能用途的适应性，为未来光伏部署策略奠定了基础。

表5. 新加坡代表性规划区域的估算年度停车场屋顶PVEG潜力汇总

| 规划区域 | 总PVEG潜力（GWh） | 面积（km2） | 主要土地利用类型 |
|--------------|-------------------|-------------|------------------------|
| 宏茂桥 | 43.52 | 13.94 | 住宅 |
| 樟宜 | 44.13 | 25.12 | 工业/交通 |
| 市中心核心区 | 7.20 | 4.34 | 商业 |
| 裕廊西 | 61.32 | 9.87 | 工业 |
| 榜鹅 | 65.19 | 9.57 | 智慧城镇 |
| 盛港 | 66.71 | 10.59 | 住宅 |
| 淡滨尼 | 94.23 | 20.89 | 住宅/商业 |
| 大士 | 5.97 | 29.99 | 工业 |
| 兀兰 | 70.04 | 16.78 | 住宅/工业 |
| 红山 | 55.86 | 14.34 | 混合用途 |

下载：下载高清图片（629KB）
下载：下载全尺寸图片
图6. 代表性城市功能区的年度太阳辐射潜力空间模式：(a)中央商务区，(b)工业区，(c)住宅区，(d)榜鹅数码区。

研究结果为分析停车场屋顶光伏为日益增长的电动汽车充电的能力奠定了科学基础。基于高分辨率分析的停车场屋顶光伏系统部署优化策略，确保可再生能源利用率的最大化，同时增强区域充电供应能力，为协同光伏储能充电系统的建设提供决策支持。

**3.4. 停车场屋顶光伏电站的优化配置**

本节从微观（500米网格）和宏观（规划区域）两个尺度呈现停车场屋顶光伏的优化配置，以评估其满足新加坡各地EVCD的潜力。在微观层面，图7总结了全年所有有效500米网格中潜在停车场屋顶光伏覆盖率的统计分布，反映出相当大比例的网格在大多数月份保持较高的对数转换比率（对数比率 > 4）。这表明停车场屋顶光伏充电在理论上具有巨大的自给自足潜力。相比之下，log10(Ri)较低的网格突显出仅靠停车场屋顶光伏发电可能不足的区域，表明可能需要电池储能或补充电网支持等额外措施。

下载：下载高清图片（206KB）
下载：下载全尺寸图片
图7. 对数转换PVEG/EVCD比率的月度分布热力图。

此外，我们汇总了新加坡55个规划区域的PVEG和EVCD数据，以评估区域层面的净平衡。图8所示的月度净平衡空间分布图呈现了能源盈余和赤字区域。如图所示，大多数规划区域全年保持正净平衡，并能将盈余的停车场屋顶光伏电力输送到邻近区域。相比之下，中央商务区和一些偏远区域在部分月份出现负平衡，表明需要依靠电网输入或额外基础设施投资来确保服务可靠性。

下载：下载高清图片（833KB）
下载：下载全尺寸图片
图8. 规划区域层面的月度净平衡图。

表6汇总了所有规划区域的总PVEG和EVCD（缩写与图2和表1一致），突显了城市区域之间停车场屋顶光伏自给自足的显著差异。在大多数商业和工业区域（例如，淡滨尼（TP）、盛港（SK）和巴西立（PR））如图2所示，总PVEG远超当地EVCD，导致较大的正净平衡（例如，超过60,000兆瓦时）。相比之下，密集的城市中心，如市中心核心区（DT）和纽顿（NE），呈现较小的净盈余甚至轻微赤字（例如，乌节路（OR）为?313兆瓦时）。这表明，即使不依赖区域间能源调度，仅利用现有露天停车场的屋顶光伏部署，就已经展现出满足相应规划区域EVCD的强大能力。在高辐射低需求区域，如勿洛（BD）和巴西立（PR），覆盖率可达500%或更高，突显了巨大的盈余发电潜力。这些盈余可用于额外的电网贡献或储能整合。然而，在高度密集的中央商务区如乌节路（OR）和义顺（YS），覆盖率低于5%，突显了需要补充电网支持或储能系统，以确保在需求高峰期或太阳能产出较低的季节提供持续充电服务。

表6. 按规划区域划分的年度PVEG、EVCD和净平衡

| 规划区域 | PVEG（GWh） | EVCD（GWh） | 不匹配电量（GWh） | 规划区域 | PVEG（GWh） | EVCD（GWh） | 不匹配电量（GWh） |
|----------|-------------|-------------|--------------------|----------|-------------|-------------|--------------------|
| AM | 43.52 | 0.09 | 43.43 | OR | 2.81 | 0.32 | 2.49 |
| BD | 101.30 | 0.00 | 101.30 | OT | 2.84 | 0.00 | 2.84 |
| BK | 31.19 | 1.87 | 29.32 | PG | 65.19 | 1.00 | 64.19 |
| BL | 3.62 | 0.00 | 3.62 | PL | 2.51 | 0.00 | 2.51 |
| BM | 55.86 | 2.73 | 53.13 | PN | 10.11 | 0.00 | 10.11 |
| BP | 36.40 | 0.00 | 36.40 | PR | 41.10 | 0.04 | 41.07 |
| BS | 19.53 | 1.39 | 18.14 | QT | 71.67 | 0.25 | 71.41 |
| BT | 14.24 | 1.08 | 13.16 | RC | 8.68 | 0.00 | 8.68 |
| CB | 1.23 | 0.00 | 1.23 | RV | 0.00 | 0.00 | 0.00 |
| CC | 7.47 | 0.05 | 7.42 | SB | 33.54 | 0.47 | 33.06 |
| CH | 44.13 | 0.00 | 44.13 | SE | 66.71 | 2.50 | 64.20 |
| CK | 30.49 | 0.32 | 30.17 | SG | 8.05 | 1.89 | 6.17 |
| CL | 46.27 | 0.37 | 45.90 | SI | 6.76 | 0.00 | 6.76 |
| DT | 7.20 | 5.94 | 1.26 | SK | 17.43 | 0.00 | 17.43 |
| GL | 34.23 | 4.24 | 30.00 | SL | 5.07 | 0.08 | 4.99 |
| HG | 29.75 | 0.40 | 29.35 | SM | 9.43 | 0.00 | 9.43 |
| JE | 28.17 | 0.16 | 28.01 | SR | 0.51 | 0.00 | 0.51 |
| JW | 61.32 | 0.51 | 60.80 | SV | 1.95 | 0.00 | 1.95 |
| KL | 34.87 | 0.70 | 34.17 | TH | 38.05 | 0.00 | 38.05 |
| LK | 4.20 | 0.00 | 4.20 | TM | 94.23 | 2.72 | 91.51 |
| MD | 5.01 | 0.00 | 5.01 | TN | 8.17 | 0.00 | 8.17 |
| ME | 0.15 | 0.00 | 0.15 | TP | 39.55 | 1.48 | 38.07 |
| MP | 18.09 | 0.00 | 18.09 | TS | 5.97 | 0.12 | 5.86 |
| MS | 9.72 | 0.00 | 9.72 | WC | 37.67 | 0.00 | 37.67 |
| MU | 0.26 | 0.00 | 0.26 | WD | 70.04 | 0.78 | 69.25 |
| NE | 0.75 | 0.00 | 0.75 | WI | 7.38 | 0.00 | 7.38 |
| NT | 4.60 | 1.50 | 3.11 | YS | 35.52 | 0.27 | 35.24 |
| NV | 18.47 | 3.24 | 15.23 | | | | |

基于以上分析，本研究进一步应用调度优化算法，在规划区域之间动态平衡PVEG和EVCD。尽管新加坡停车场屋顶光伏系统的总体潜力巨大，但全面开发所有可用PVEG并非最经济的选择。从节能的角度来看，现有的总PVEG已经超过了EVCD。考虑到新加坡目前的电动汽车保有量及其到2040年实现100%电动汽车普及率的目标，分析表明，仅需总PVEG的11.24%即可满足未来的EVCD。因此，我们在此假设下进行调度。调度后，总满意率达到90.73%，表明几乎所有的局部赤字都通过能源重新分配得到了有效补偿。图9展示了距离阈值（x轴，公里）、站点间传输限制（y轴）和满意率（z轴，%）之间的关系，其中x代表节点间电力分配的最大允许范围，y代表光伏电力在供应商和接收者之间可进行的最大连续传输次数，z代表调度后系统的整体满意率。结果显示，随着距离和跳数限制的扩大，满意率呈指数增长，特别是在6公里至18公里之间。超过此范围后增长趋势趋于平缓，表明在现实运行条件下，长距离传输提供的额外收益有限。

下载：下载高清图片（188KB）
下载：下载全尺寸图片
图9. 满意率、距离阈值和站点间传输限制之间的关系。

图10展示了3月1日至3月7日某一天内所有规划区域满意率的增长情况。中位数改善从3月1日的约35%上升到3月7日的近60%，同时四分位距随时间收窄。这种数值的渐进集中表明，表现较差的区域从迭代调度过程中获益最多，区域间绩效差异逐渐缩小。离散度的缩小突显了该算法的补偿性质，即优先将盈余光伏能量输送到最缺电的区域，从而实现更平衡的整体网络。

下载：下载高清图片（239KB）
下载：下载全尺寸图片
图10. 3月1日至3月7日调度后每日满意率增长的箱线图。

在空间上，满意率增长图（图11）显示，最显著的增长（≥40%）发生在中部和西部区域（包括武吉知马和实龙岗），这些区域此前因高电动汽车充电强度和有限的屋顶光伏容量而导致持续赤字。这些区域从东部（巴西立）和南部（裕廊西）区域获得盈余，这些区域拥有大规模停车场集群和丰富的光伏发电潜力。相反，市中心区域（如乌节路、纽顿）由于物理和空间限制，限制了可用的屋顶面积和网络连通性，因此增长幅度适中（10%～25%）。在本研究中，采用SHAP值来识别电动汽车充电需求（EVCD）预测因子的相对重要性，并揭示其影响在不同样本间的异质性。结果表明，人口和总停车位数量是两个最具影响力的预测因子，其次是交通、停车楼数量和休闲/绿地。相比之下，星期几以及天气相关变量（包括降雨量、气温和最大风速）的贡献相对较小。这些结果表明，电动汽车充电需求与城市活动强度、停车基础设施和土地利用背景的关联性，要强于与短期时间或气象变化的关联性。此外，SHAP值在不同样本间的离散程度表明，这些预测因子的影响是非线性的且在空间上存在异质性，这进一步证明了本研究采用基于树的集成模型是合理的。

表4. 随机森林模型中各预测因子的平均绝对SHAP值

| 排名 | 变量 | 平均绝对SHAP值 |
|------|-----------------------|----------------|
| 1 | 人口 | 7.61 |
| 2 | 总停车位数量 | 4.23 |
| 3 | 交通 | 3.23 |
| 4 | 停车楼数量 | 2.99 |
| 5 | 休闲/绿地 | 2.97 |
| 6 | 住宅 | 1.23 |
| 7 | 商业/工业 | 0.74 |
| 8 | 特殊用途 | 0.61 |
| 9 | 气温 | 0.43 |
| 10 | 公共/机构 | 0.34 |
| 11 | 商业 | 0.33 |
| 12 | 最大风速 | 0.32 |
| 13 | 降雨量 | 0.28 |
| 14 | 自然 | 0.15 |
| 15 | 星期几 | 0.08 |

这些结果表明，在新加坡的城市充电背景下，与城市活动强度和停车基础设施相比，天气变量起着次要但不可忽视的作用。这与之前的研究大致一致，即天气通过出行频率和车辆能耗间接影响电动汽车充电，而不是作为空间充电需求的主要驱动因素。

**3.2. 网格单元呈现的预测电动汽车充电热点**

基于历史充电记录和多源空间特征构建的随机森林和XGBoost模型的评估结果（图3）表明，两个模型均能稳定地识别出城市中部和东部核心区域的高需求热点，其空间分布与高人口密度区域和混合功能开发区一致。在周末场景下，需求热点延伸至休闲商业区域的特征证实了由娱乐、购物和出行所引发的流动性增强效应。随机森林倾向于产生更高的峰值预测，因为它能更强地捕捉局部特征交互作用，而XGBoost则表现出相对更强的抑制低需求或接近零需求网格预测的倾向，这可能源于其更强的正则化效应以及更好地区分无需求或极低需求区域的能力。总体而言，两个模型在识别主要高需求集群方面表现出高度一致性，证实了预测框架的稳健性及其在实际基础设施部署中的适用性。

下载：下载高清图片（1004KB）
下载：下载全尺寸图片
图3. 使用两种机器学习模型预测的日平均EVCD。

**3.3. 估算停车场屋顶光伏发电潜力（PVEG）**

此外，我们以500米网格分辨率评估了新加坡全岛停车场的PVEG，并考虑了月度和年度尺度上的特征。通过将高分辨率SSRD数据与三维城市形态参数（包括建筑高度和局部遮挡）相结合，构建了网格级光伏发电能力模型，以支持电动汽车太阳能充电的规划。图4展示了1月至12月每月网格级停车场屋顶PVEG的分布情况，反映了新加坡的季节变化。尽管新加坡靠近赤道，全年太阳辐射相对稳定，但由于月度云量和降雨模式的波动，仍可观察到辐射的轻微变化。例如，受东北季风期间云层和降雨的影响，12月至1月的发电潜力通常略低。相比之下，由于天空晴朗、降雨稀少，4月和7月等月份的PVEG潜力更高。

下载：下载高清图片（944KB）
下载：下载全尺寸图片
图4. 新加坡月度网格级停车场屋顶PVEG模式（kWh）。

图5展示了露天停车场年度的网格级停车场屋顶PVEG，说明了太阳能收集潜力的空间变化。结果显示，新加坡东部地区的停车场屋顶PVEG容量较高，这是由于该区域露天停车场面积更大且日照条件有利。中部的大片白色区域对应中央集水区自然保护区，这是一个没有停车基础设施的受保护森林区域。结果识别出了高停车场屋顶光伏潜力的空间热点，表明这些区域的太阳能装置可能为电动汽车充电的本地能源供应做出显著贡献。

下载：下载高清图片（418KB）
下载：下载全尺寸图片
图5. 新加坡全岛年度网格级PVEG潜力（GWh）。

本研究汇总了规划区域的估算年度停车场屋顶PVEG潜力，以提供对空间供应能力的宏观理解。表5总结了新加坡选定的规划区域中露天停车场表面的估算年度总PVEG潜力。这些区域的选择旨在代表一系列主要土地利用类型和城市背景。结果显示光伏潜力存在显著的空间差异。此外，本研究选取了新加坡四个代表性功能区域，以进一步说明太阳辐射潜力的空间分异。图6展示了源自第2.5节估算方法的不同功能区太阳能光伏潜力的空间分布。图6(a)显示了新加坡中央商务区（CBD），其特点是商业停车场密度高，非常有利于安装光伏系统。图6(b)重点展示了裕廊工业区，这是一个重要的工业区，停车场具有宽敞的地面面积和开放式雨棚结构，适合最大化利用太阳能。图6(c)显示了典型住宅区（例如蔡厝港和武吉班让），由于相邻建筑的遮挡效应较大，这些区域的光伏潜力中等。图6(d)展示了榜鹅，即新加坡的下一代智能与综合区，该区域拥有大量的太阳能潜力。通过对不同功能区的调查，本研究证明了所提出的框架对各种城市形态和功能用途的适应性，为未来光伏部署策略奠定了基础。

表5. 新加坡代表性规划区域的估算年度停车场屋顶PVEG潜力汇总

| 规划区域 | 总PVEG潜力（GWh） | 面积（km2） | 主要土地利用类型 |
|--------------|-------------------|-------------|------------------------|
| 宏茂桥 | 43.52 | 13.94 | 住宅 |
| 樟宜 | 44.13 | 25.12 | 工业/交通 |
| 市中心核心区 | 7.20 | 4.34 | 商业 |
| 裕廊西 | 61.32 | 9.87 | 工业 |
| 榜鹅 | 65.19 | 9.57 | 智慧城镇 |
| 盛港 | 66.71 | 10.59 | 住宅 |
| 淡滨尼 | 94.23 | 20.89 | 住宅/商业 |
| 大士 | 5.97 | 29.99 | 工业 |
| 兀兰 | 70.04 | 16.78 | 住宅/工业 |
| 红山 | 55.86 | 14.34 | 混合用途 |

下载：下载高清图片（629KB）
下载：下载全尺寸图片
图6. 代表性城市功能区的年度太阳辐射潜力空间模式：(a)中央商务区，(b)工业区，(c)住宅区，(d)榜鹅数码区。

研究结果为分析停车场屋顶光伏为日益增长的电动汽车充电的能力奠定了科学基础。基于高分辨率分析的停车场屋顶光伏系统部署优化策略，确保可再生能源利用率的最大化，同时增强区域充电供应能力，为协同光伏储能充电系统的建设提供决策支持。

**3.4. 停车场屋顶光伏电站的优化配置**

本节从微观（500米网格）和宏观（规划区域）两个尺度呈现停车场屋顶光伏的优化配置，以评估其满足新加坡各地EVCD的潜力。在微观层面，图7总结了全年所有有效500米网格中潜在停车场屋顶光伏覆盖率的统计分布，反映出相当大比例的网格在大多数月份保持较高的对数转换比率（对数比率 > 4）。这表明停车场屋顶光伏充电在理论上具有巨大的自给自足潜力。相比之下，log10(Ri)较低的网格突显出仅靠停车场屋顶光伏发电可能不足的区域，表明可能需要电池储能或补充电网支持等额外措施。

下载：下载高清图片（206KB）
下载：下载全尺寸图片
图7. 对数转换PVEG/EVCD比率的月度分布热力图。

此外，我们汇总了新加坡55个规划区域的PVEG和EVCD数据，以评估区域层面的净平衡。图8所示的月度净平衡空间分布图呈现了能源盈余和赤字区域。如图所示，大多数规划区域全年保持正净平衡，并能将盈余的停车场屋顶光伏电力输送到邻近区域。相比之下，中央商务区和一些偏远区域在部分月份出现负平衡，表明需要依靠电网输入或额外基础设施投资来确保服务可靠性。

下载：下载高清图片（833KB）
下载：下载全尺寸图片
图8. 规划区域层面的月度净平衡图。

表6汇总了所有规划区域的总PVEG和EVCD（缩写与图2和表1一致），突显了城市区域之间停车场屋顶光伏自给自足的显著差异。在大多数商业和工业区域（例如，淡滨尼（TP）、盛港（SK）和巴西立（PR））如图2所示，总PVEG远超当地EVCD，导致较大的正净平衡（例如，超过60,000兆瓦时）。相比之下，密集的城市中心，如市中心核心区（DT）和纽顿（NE），呈现较小的净盈余甚至轻微赤字（例如，乌节路（OR）为?313兆瓦时）。这表明，即使不依赖区域间能源调度，仅利用现有露天停车场的屋顶光伏部署，就已经展现出满足相应规划区域EVCD的强大能力。在高辐射低需求区域，如勿洛（BD）和巴西立（PR），覆盖率可达500%或更高，突显了巨大的盈余发电潜力。这些盈余可用于额外的电网贡献或储能整合。然而，在高度密集的中央商务区如乌节路（OR）和义顺（YS），覆盖率低于5%，突显了需要补充电网支持或储能系统，以确保在需求高峰期或太阳能产出较低的季节提供持续充电服务。

表6. 按规划区域划分的年度PVEG、EVCD和净平衡

| 规划区域 | PVEG（GWh） | EVCD（GWh） | 不匹配电量（GWh） | 规划区域 | PVEG（GWh） | EVCD（GWh） | 不匹配电量（GWh） |
|----------|-------------|-------------|--------------------|----------|-------------|-------------|--------------------|
| AM | 43.52 | 0.09 | 43.43 | OR | 2.81 | 0.32 | 2.49 |
| BD | 101.30 | 0.00 | 101.30 | OT | 2.84 | 0.00 | 2.84 |
| BK | 31.19 | 1.87 | 29.32 | PG | 65.19 | 1.00 | 64.19 |
| BL | 3.62 | 0.00 | 3.62 | PL | 2.51 | 0.00 | 2.51 |
| BM | 55.86 | 2.73 | 53.13 | PN | 10.11 | 0.00 | 10.11 |
| BP | 36.40 | 0.00 | 36.40 | PR | 41.10 | 0.04 | 41.07 |
| BS | 19.53 | 1.39 | 18.14 | QT | 71.67 | 0.25 | 71.41 |
| BT | 14.24 | 1.08 | 13.16 | RC | 8.68 | 0.00 | 8.68 |
| CB | 1.23 | 0.00 | 1.23 | RV | 0.00 | 0.00 | 0.00 |
| CC | 7.47 | 0.05 | 7.42 | SB | 33.54 | 0.47 | 33.06 |
| CH | 44.13 | 0.00 | 44.13 | SE | 66.71 | 2.50 | 64.20 |
| CK | 30.49 | 0.32 | 30.17 | SG | 8.05 | 1.89 | 6.17 |
| CL | 46.27 | 0.37 | 45.90 | SI | 6.76 | 0.00 | 6.76 |
| DT | 7.20 | 5.94 | 1.26 | SK | 17.43 | 0.00 | 17.43 |
| GL | 34.23 | 4.24 | 30.00 | SL | 5.07 | 0.08 | 4.99 |
| HG | 29.75 | 0.40 | 29.35 | SM | 9.43 | 0.00 | 9.43 |
| JE | 28.17 | 0.16 | 28.01 | SR | 0.51 | 0.00 | 0.51 |
| JW | 61.32 | 0.51 | 60.80 | SV | 1.95 | 0.00 | 1.95 |
| KL | 34.87 | 0.70 | 34.17 | TH | 38.05 | 0.00 | 38.05 |
| LK | 4.20 | 0.00 | 4.20 | TM | 94.23 | 2.72 | 91.51 |
| MD | 5.01 | 0.00 | 5.01 | TN | 8.17 | 0.00 | 8.17 |
| ME | 0.15 | 0.00 | 0.15 | TP | 39.55 | 1.48 | 38.07 |
| MP | 18.09 | 0.00 | 18.09 | TS | 5.97 | 0.12 | 5.86 |
| MS | 9.72 | 0.00 | 9.72 | WC | 37.67 | 0.00 | 37.67 |
| MU | 0.26 | 0.00 | 0.26 | WD | 70.04 | 0.78 | 69.25 |
| NE | 0.75 | 0.00 | 0.75 | WI | 7.38 | 0.00 | 7.38 |
| NT | 4.60 | 1.50 | 3.11 | YS | 35.52 | 0.27 | 35.24 |
| NV | 18.47 | 3.24 | 15.23 | | | | |

基于以上分析，本研究进一步应用调度优化算法，在规划区域之间动态平衡PVEG和EVCD。尽管新加坡停车场屋顶光伏系统的总体潜力巨大，但全面开发所有可用PVEG并非最经济的选择。从节能的角度来看，现有的总PVEG已经超过了EVCD。考虑到新加坡目前的电动汽车保有量及其到2040年实现100%电动汽车普及率的目标，分析表明，仅需总PVEG的11.24%即可满足未来的EVCD。因此，我们在此假设下进行调度。调度后，总满意率达到90.73%，表明几乎所有的局部赤字都通过能源重新分配得到了有效补偿。图9展示了距离阈值（x轴，公里）、站点间传输限制（y轴）和满意率（z轴，%）之间的关系，其中x代表节点间电力分配的最大允许范围，y代表光伏电力在供应商和接收者之间可进行的最大连续传输次数，z代表调度后系统的整体满意率。结果显示，随着距离和跳数限制的扩大，满意率呈指数增长，特别是在6公里至18公里之间。超过此范围后增长趋势趋于平缓，表明在现实运行条件下，长距离传输提供的额外收益有限。

下载：下载高清图片（188KB）
下载：下载全尺寸图片
图9. 满意率、距离阈值和站点间传输限制之间的关系。

图10展示了3月1日至3月7日某一天内所有规划区域满意率的增长情况。中位数改善从3月1日的约35%上升到3月7日的近60%，同时四分位距随时间收窄。这种数值的渐进集中表明，表现较差的区域从迭代调度过程中获益最多，区域间绩效差异逐渐缩小。离散度的缩小突显了该算法的补偿性质，即优先将盈余光伏能量输送到最缺电的区域，从而实现更平衡的整体网络。

下载：下载高清图片（239KB）
下载：下载全尺寸图片
图10. 3月1日至3月7日调度后每日满意率增长的箱线图。

在空间上，满意率增长图（图11）显示，最显著的增长（≥40%）发生在中部和西部区域（包括武吉知马和实龙岗），这些区域此前因高电动汽车充电强度和有限的屋顶光伏容量而导致持续赤字。这些区域从东部（巴西立）和南部（裕廊西）区域获得盈余，这些区域拥有大规模停车场集群和丰富的光伏发电潜力。相反，市中心区域（如乌节路、纽顿）由于物理和空间限制，限制了可用的屋顶面积和网络连通性，因此增长幅度适中（10%～25%）。3月1日至3月7日连续七天满意度率的空间增长情况。派送后满意度图（图12）显示，新加坡超过90%的规划区实现了超过1的满意度率。只有少数西南部区域（如大士、西部群岛、南部群岛）仍低于100%，这一缺口进一步验证了算法的稳健性，因为剩余未满足的需求恰好对应于距离和跳数限制的区域。总体而言，派送优化算法显著提升了可再生能源利用的规模和公平性。该算法通过逐步减少每日不平衡来增强时间稳定性，并通过实现停车场光伏能源的短距离、高效率再分配来改善空间公平性。这些结果为新加坡分散式城市能源管理和未来智慧出行规划提供了定量和可操作的基础。下载：下载高分辨率图片（884KB）下载：下载全尺寸图片图12. 3月1日至3月7日各规划区派送后满意度率的空间分布。4. 讨论通过将高分辨率停车场屋顶光伏潜力估算与基于机器学习的电动汽车充电需求预测相结合，本研究实现了精细的网格级（500米）和规划区级分析。结果表明，基于树的集成模型（随机森林和XGBoost）实现了较高的预测精度（R2 > 0.85），即使在没有历史数据的区域也能有效识别电动汽车充电热点。此外，大多数网格的光伏发电量与电动汽车充电需求的比值较高，表明停车场屋顶光伏发电量可以完全覆盖甚至显著超过当地电动汽车充电需求，在大多数区域超过500%，这表明在规划尺度和聚合时间条件下，本地光伏自给自足具有强大潜力。但需注意，这一结论基于日聚合需求和发电量估算，而非日内运行匹配。因此，结果主要表明年度或日尺度供需协调的潜力，而非保证高峰充电时段或间歇性太阳条件下的小时或亚小时平衡。值得注意的是，如表6所示，在目前电动汽车充电需求水平下，要实现完全覆盖，需要开发约58%的可用停车场屋顶光伏发电量。该估算基于本研究中使用的227个壳牌充电站数据，并将结果外推至新加坡约5000个充电站的估算数量。假设空间分布和充电行为一致，根据新加坡2030年绿色目标（到2030年电动汽车保有量增至30%，到2040年增至100%，而2024年底为3.99%），到2030年可用停车场光伏发电量可覆盖约23%的总电动汽车充电需求，到2040年约为7%。这一结果凸显了区域内分布式光伏部署无需依赖区域间电力调度即可有效支持未来电动出行系统大规模扩展的事实。然而，这些估算应被解读为面向规划的能源覆盖潜力，而非实时运行覆盖，因为短期充电峰值、太阳能间歇性和事件驱动波动未在当前框架中明确建模。本研究提出几项关键影响。首先，它展示了整合多源城市数据集和先进机器学习技术以实现电动汽车充电需求高分辨率预测的可行性和有效性。通过利用多源空间特征和先进的集成学习模型，该框架显著提高了电动汽车充电需求预测的准确性和稳健性，特别是在数据稀疏或新开发区域。与严重依赖历史记录的传统方法相比，该方法提供了一种动态且自适应的工具，以支持面向未来的城市出行规划，并确保对历史数据有限的新开发区域具有稳健的可扩展性。通过整合这些多源空间和环境特征，所提出的框架不仅依赖历史充电记录进行统计外推，还将行为逻辑嵌入需求预测中。这种机制驱动的建模方法能够在历史充电数据不可用的新开发或数据稀疏区域识别潜在充电热点。因此，除了基础设施优化外，本研究还贡献了行为知情层面的理解，即城市功能结构、活动规律和环境因素如何共同塑造电动汽车充电需求的空间异质性，从而为光伏-充电协同规划提供更强的理论支持。其次，本研究提出了一种综合方法，以精细分辨率评估城市规模停车场的屋顶光伏潜力，该方法将太阳辐照度数据与详细的3D建筑形态信息相结合。通过整合阴影效应和局部城市形态，生成了高精度的年度和月度光伏发电潜力空间图，准确定位了最佳光伏安装位置。结果表明，新加坡光伏潜力存在显著的空间异质性，并确定了与城市充电需求热点高度相关的高优先级光伏部署区域。该方法超越了当前城市太阳能潜力评估的实践，为规划者提供了可操作、场地特定的见解，以促进可再生能源供应和本地电动汽车充电需求的协同优化。第三，本研究引入了一种多轮派送优化算法，在规划区之间动态重新分配剩余光伏发电量。结果表明，该算法通过在可行运行距离内将可再生电力从盈余区输送到赤字区，有效增强了空间公平性。该算法优先考虑附近和高度供应不足的区域，以确保配电效率并最小化潜在传输损耗。通过几轮再分配，几乎所有规划区的满意度率均超过95%，其中中部和西南部规划区的改善最为显著。该派送优化算法不仅实现了太阳能资源的最大化利用，还为其他类似城市的电力运输需求提供了参考框架。然而，当前的派送结果也应被理解为反映聚合空间平衡性能，而非小时负荷波动或瞬时光伏变化下的实时派送可行性。尽管如此，本研究仍存在三个局限性。首先，电动汽车充电需求预测模型未考虑实时交通状况或特殊节假日等动态时间因素。整合这些因素将显著提高需求预测模型的准确性和适应性。其次，光伏潜力估算假设表面相对平坦，未充分考虑详细地形变化或微尺度地形效应（如局部坡度和高程差异）。该假设在地形变化极小的新加坡等地区是合理的。然而，当将该框架应用于地形更复杂的城市（如香港或旧金山）时，有必要整合高分辨率数字高程模型并采用更先进的3D阴影分析技术。第三，当前派送算法仅考虑距离和跳数，尚未纳入实际运行约束，如动态定价信号、用户行为的自适应调整以及不断演变的监管政策。为解决这些局限性，未来研究将：（i）专注于将动态时间特征（如实时交通数据和特殊事件信息）整合到需求预测模型中，以实现对电动汽车充电需求更准确和即时的响应评估，并增强在多变城市场景中的适应性和准确性（Malof等，2016）；（ii）整合高分辨率地形数据（如数字高程模型）以捕捉微尺度地形效应（Assouline等，2017）。这对于地形复杂的城市非常重要，并有助于支持光伏潜力评估的空间分辨率和准确性；（iii）引入强化学习（Guo等，2024）和直流潮流模型（Yan和Sekar，2002；Wood等，2013）等先进算法以优化动态能量调度框架；（iv）评估可泛化的深度学习方法在无本地历史数据的未开发区域和新充电站位置进行电动汽车充电需求预测的效果，特别关注其相对于特征驱动机器学习模型的可迁移性和有效性（Simini等，2021；Liang等，2023）。5. 结论本研究开发了一个时空优化框架，将基于机器学习的电动汽车充电需求预测与高分辨率屋顶光伏潜力评估相结合。基于此整合，建立了一种多轮调度算法，以在规划区域之间动态平衡能源盈余和赤字。结果表明，所提出的方法能够准确识别网格级充电需求热点，并有效地将其与本地光伏发电量匹配。经过动态调度后，光伏发电量与电动汽车充电需求之间的整体协调性显著增强，几乎所有区域都实现了平衡。未来工作可通过纳入充电站空间分布和站点级使用异质性的显式分析来扩展该框架，这可能为充电行为和基础设施规划提供更深入的见解。总体而言，本研究提出了一个可扩展且数据驱动的框架，用于将太阳能与电动汽车充电基础设施相结合，为新加坡等城市的可持续城市出行和可再生能源规划提供了实践见解。CRediT作者贡献声明王彦彤：写作——初稿，方法学，正式分析，数据管理。朱睿：写作——审阅与编辑，监督，资源，方法学，调查，数据管理，概念化。周嘉洲：写作——审阅与编辑，监督。梁月兵：写作——审阅与编辑，监督。秦正：写作——审阅与编辑，监督。吴洋洋：写作——审阅与编辑，监督。周光宏：写作——审阅与编辑，监督。王彦彤|朱睿|周嘉洲|梁月兵|秦正|吴洋洋|周光宏新加坡国立大学地理系，新加坡 117570