基于季节性和趋势分解的信息挖掘：利用Loess方法进行非连续式电动汽车充电预测 郑云倩（Yunqian Zheng）， 郭丹淮（Danhuai Guo）， 李宗良（Zongliang Li）， 刘一卓（Yizhuo Liu）， 李玄春（Xunchun Li）

《Energies》：Information Mining Based on Seasonal and Trend Decomposition Using Loess for Non-Continuous EV Charging Prediction Yunqian Zheng, Danhuai Guo, Zongliang Li, Yizhuo Liu and Xunchun Li

　　

摘要

随着电动汽车的广泛普及，预测用户的充电需求可以提高充电基础设施的运营效率。然而，由于用户充电习惯的差异，充电站运营商获得的数据是非连续的且以事件驱动的，缺乏电池内部状态的信息。这使得传统方法难以直接应用。本文探讨了如何基于充电站的非连续观测数据准确预测用户的充电需求。为此，我们提出了一个三阶段解决方案：（1）设计一种方法，通过统计显著性测试对用户内部充电行为的时间序列进行分割，从而实现用户行为模式的无监督识别；（2）建立一种基于物理启发式的功率衰减模型的连续时间重构机制，将离散的、同质的用户行为序列转换为等距的日充电需求序列；（3）利用Loess（STL）时间序列分解方法进行季节性和趋势分解，从重构的序列中提取特征，并将其作为输入输入到长短期记忆（LSTM）预测模型中。通过使用真实的充电数据进行实验验证，所提出的方法显著提升了预测性能，为实际充电站中预测用户充电需求提供了有效的解决方案。