发现、检测、拆分：一种数据驱动的方法，用于从寒冷气候地区的家庭智能电表数据中提取电动汽车充电信息

《Smart Energy》：Discover, detect, disaggregate: A data-driven approach to extract electric vehicle charging information from household smart meter data in cold climate

　　辛内·克雷克林·利恩（Synne Krekling Lien）、拉西亚·普里亚·科图（Lasya Priya Kotu）、奥塞·莱康·索伦森（?se Lekang S?rensen）、贾亚普拉卡什·拉贾塞卡尔兰（Jayaprakash Rajasekharan）

挪威科技大学（NTNU），电能部门，NO-7491，特隆赫姆，挪威

**摘要**

在家为电动汽车（EV）充电正在改变住宅建筑的电力负荷分布，这既给电网带来了挑战，也带来了机遇。利用数据驱动的方法从智能电表中提取电动汽车充电信息，可以为电网管理提供宝贵的见解。然而，以往的研究主要集中在开发适用于没有电加热系统的住宅建筑的方法，而在这些建筑中，电动汽车充电占电力使用的峰值，且负荷的季节性变化有限。本文通过结合挪威296户独立家庭的智能电表数据以及82个住宅充电器的充电数据，开展了一项案例研究，创建了有和无电动汽车充电及电加热系统的家庭的半合成负荷分布模型。提出了一种三步监督学习方法，该方法采用了领域知识特征：（1）估算充电器容量；（2）分类充电事件（开启/关闭）；（3）根据每小时的家庭智能电表数据估算用于电动汽车充电的电力消耗。结果显示，第一步的充电器容量估算准确率为93％，第二步的充电事件检测准确率为81％，F1分数为84％；第三步的充电电力消耗估算平均R2值为0.80–0.86，均方绝对误差（MAE）为0.005–0.006。在第三步中应用基于物理原理的过滤机制，可以进一步消除物理上不可能的充电情况，提高模型的实用性，并显著降低MAE。每个步骤都可以独立应用于需求侧灵活性估算和用户引导等场景，使得该框架对能源行业的各种利益相关者都具有灵活性和实用性。

**1. 引言**

如今，公路运输占全球石油需求的45％[1]，是温室气体排放的主要来源。交通行业的电气化对于减少全球排放和提高能源效率至关重要。此外，电气化还带来了其他好处，如改善空气质量并降低城市地区的噪音污染[2]。因此，全球电动汽车（EV）市场正在迅速发展。2024年，全球电动汽车数量达到了约5800万辆，预计到2035年将达到5.25亿辆，这意味着四分之一的车辆将是电动汽车，电动汽车将占新车销售的55％[3]。电动汽车的快速增长既给电网带来了重大挑战，也带来了机遇。家庭电动汽车充电可能导致高电力需求[4]，并且充电时间与用电高峰期高度重合[4][5]。总体而言，这可能导致配电网络中的负荷峰值增加和拥堵加剧[6]。在智能能源系统中的应用，如受控充电策略[7][8][9]、电网收费设计[10]以及车辆与电网（V2G）集成[11][12]，为解决这些挑战提供了有希望的方案，因为智能充电已被证明具有减少负荷峰值和将电力使用时间从电网拥堵时段转移开的潜力[8][13]。准确识别和量化家庭电动汽车充电的需求侧灵活性潜力，依赖于从总家庭电力消耗中分离和量化电动汽车充电用电的能力。然而，从智能电表的角度来看，电网运营商或能源供应商通常无法直接获取电动汽车充电的单独用电数据。这促使人们开发出直接从智能电表数据中检测和估算电动汽车充电信息的方法。挪威是一个特别有价值的案例研究对象，因为它在电动汽车普及方面处于全球领先地位，2025年7月电动汽车在新车销售中的占比达到了94％[14]，私人车队中电动汽车的比例从2017年的5％增长到2025年的29％[15]。这种快速的电气化进程给配电网络带来了日益增加的压力，预计挪威交通领域的电力消耗将从2022年的2.9太瓦时（TWh）增长到2040年的16太瓦时[16][17]。另一个复杂因素是，挪威家庭80％的取暖需求依赖电力，在寒冷季节会导致电力使用高峰，这些高峰难以与电动汽车充电高峰区分开来。

**1.1 动机**

拆分电力消耗的过程有时被称为非侵入式负荷监测（NILM）[18]，指的是仅使用汇总的电力消耗电表数据来分解建筑物的总电力消耗，以估算各个电器或最终用途的用电情况。相当比例的电动汽车充电发生在家庭中[19][20]，2023年的一项调查显示，89％的电动汽车车主表示他们每周至少在家充电一次[21]。从家庭智能电表数据中准确拆分电动汽车充电用电数据可以发挥多种作用。除了能够评估家庭电动汽车充电的需求侧灵活性潜力外，它还可以使房主、电网运营商和能源供应商在无需直接访问充电器数据的情况下监测充电负荷。此外，电动汽车充电的拆分还可以更准确地估算家庭电力消耗，从而更容易评估针对建筑围护结构和暖通空调系统（HVAC）的节能措施的影响。最后，这有助于制定电网收费结构，以更好地考虑充电行为和由此引起的瓶颈问题。

**1.2 文献综述**

从家庭智能电表数据中提取电动汽车充电信息的研究大致可分为三项任务：区分具有和没有电动汽车充电器的家庭智能电表数据的家庭；检测智能电表时间序列中的个别充电事件（开启/关闭）；以及在仅知道建筑物总电力消耗的情况下估算每个时间步长的实际充电用电量。

多项研究专注于使用总家庭智能电表数据来识别电动汽车充电器的存在，通常采用监督分类方法将具有电动汽车充电的用户与其他用户区分开来，数据类型和结果各不相同。在参考文献[22]中，研究人员使用随机森林分类器对1300户佛兰德斯家庭进行了基于特征的分析，将这些家庭分为具有热泵、太阳能板、电动汽车或这些组合的几类。他们发现，被分类为拥有电动汽车充电器的建筑显示出更高的日均能源消耗和更大的用电变化性，并且在较长时期内存在显著的电力负荷自相关性。另一项研究[24]结合了卷积神经网络（CNN）和多层感知器（MLP）对高分辨率Dataport数据集[25]及其他数据集中的家庭进行分类，准确率约为90%。在参考文献[23]中，使用了随机森林分类器根据高分辨率充电会话数据中的交流电测量结果来识别电动汽车类型。在参考文献[24]中，开发了一种异常检测方法，用于识别澳大利亚维多利亚州1047名用户的三个月30分钟间隔智能电表数据（其中39人拥有电动汽车），该方法结合了CNN和门控循环单元（GRU）来捕捉建筑物用电的时间模式，准确率为0.83，但在识别电动汽车用户方面的精确度仅为0.51，表明从智能电表数据中正确识别电动汽车用户存在困难。目前的最先进方法主要集中在从低分辨率或高分辨率数据中检测电动汽车充电器的存在（二分类），而不是检测其充电容量（多分类/回归），而且大多数研究都是在气候温和的地区进行的。

在时间序列数据中检测电动汽车充电事件的研究主要集中在将监督学习方法应用于高分辨率和低分辨率数据。例如，在参考文献[25]中，尝试从智能电表数据中检测电动汽车用户和充电事件，发现UTime模型可以有效识别英国-DALE数据集[26]等数据集中的大多数充电时段，尤其是在没有电加热设备的家庭中。另一项研究[27]开发了一种模型，用于从Dataport数据集[28]的每小时智能电表数据中检测电动汽车充电事件。他们的模型在德克萨斯州没有电加热设备的家庭中检测到了约75％的充电事件。一种考虑时空数据的 promising 模型方法是卷积长短期记忆网络（ConvLSTM）[29]，ConvLSTM和混合Conv-LSTM模型已被用于预测电动汽车充电需求[30][31]以及检测电动汽车充电行为中的异常[32]，但尚未用于电动汽车充电的检测和拆分。现有研究表明，在没有电加热设备的建筑物的每小时数据中，电动汽车充电事件的检测效果相当成功，因为电动汽车充电通常占据电力使用的峰值。

从居民电力数据中拆分电动汽车充电用电特别具有挑战性，因为包含电动汽车实际充电测量数据的标注数据集非常有限[25]。因此，很少有研究直接针对这一任务，特别是针对具有电加热系统的家庭。一些研究关注相关但不同的问题[33]：提出了一个有限的激活匹配（LAMP）方法，用于将充电站的总负荷拆分为各个车辆，但没有解决与其他建筑负荷的拆分问题。在参考文献[34]中描述了一种基于规则的方法，用于在南加州拆分家庭电力消耗中的电动汽车充电，该案例中只有少数用户具有电加热设备。然而，由于数据集仅指示用户是否至少拥有一辆电动汽车，而没有关于他们是否在家充电或何时充电的信息，因此无法进行验证。另一项基于规则的方法在参考文献[35]中被提出，该方法使用结合了乌拉圭377名居民用户的15分钟分辨率智能电表数据和六个住宅充电器的数据来拆分电动汽车充电。尽管该方法显示出有希望的结果，但未经验证，且未在具有显著电加热负荷的家庭中进行训练或测试。在[34]和[35]中，这些方法都基于这样的假设：电动汽车充电产生的功率水平显著更高且相对恒定，这与其他家庭负荷不同，使得它们不适合在可能存在类似负荷特征的家居智能电表读数中拆分充电数据。

**1.3 研究空白**

现有的电动汽车充电检测和拆分方法主要是在气候温和的地区开发和测试的，在这些地区，电动汽车充电往往占家庭负荷峰值的主体。据作者所知，目前还没有专门针对那些同时存在电加热系统或热水系统的家庭，其智能电表数据中可能同时出现峰值和尖峰负荷的情况，来检测和分离每小时电动汽车充电用电的方法。因此，研究尚未考察结合捕捉与加热相关的负荷模式和温度依赖性的特征以及典型的电动汽车充电行为对事件检测和电动汽车负荷拆分的综合影响。此外，现有的智能电表分类方法仅关注检测电动汽车充电的存在（是否有电动汽车），而没有估算充电容量（多类分类/回归）。这些研究领域的进展还受到标注数据集的有限性的限制，这些数据集通常只包含实际电动汽车充电测量数据，而且大多数现有方法是在比实际应用中更高的分辨率数据上开发和验证的。我们假设，基于领域知识特征的数据驱动方法能够准确地从每小时智能电表数据中检测和拆分电动汽车充电用电，即使在存在电加热负荷的情况下也是如此。挪威因其电动汽车普及率高和以电力为主的供暖方式而成为一个理想的案例研究对象，可以在这种条件下测试这一假设，因为在这些条件下，依赖简单峰值检测的方法可能会失败。

**1.4**本文旨在填补当前在从智能电表数据中提取电动汽车（EV）充电信息方面的研究空白。据作者所知，本文首次提出了一套完整且可复现的三步流程，用于检测和分解家庭中（无论是否配备电加热设施）智能电表数据中的EV充电情况，具体包括：1）通过智能电表数据估算充电容量来识别具有EV充电功能的家庭，而不仅仅判断是否存在充电设备；2）从智能电表数据中检测出EV充电发生的具体小时；3）从每小时的家庭智能电表数据中分解（预测）用于EV充电的电量（千瓦时）。整个流程如图1所示。该方法是通过结合挪威296户单户家庭的智能电表数据与82个住宅充电器的EV充电数据，为有或没有EV充电及电加热设施的家庭创建半合成负荷曲线而开发的。

其次，该框架提出了专门设计用于捕捉由EV充电和电加热引起的典型每小时电力使用模式的领域知识特征。这些特征包括捕捉负荷突变、温度依赖性以及电力使用曲线的其他统计特性。此外，在分解步骤（步骤3）中应用了基于物理原理的过滤器，以剔除不现实或异常的预测结果。这种领域知识与机器学习的结合使该框架区别于现有文献中的纯数据驱动或基于规则的方法。在EV相关建模中，领域知识的价值已得到更广泛的证明，例如在随机公共交通充电模型中的运营和行为约束中[36][37]。该框架对智能能源系统管理具有直接的实际意义。从智能电网的角度来看，该框架可用于评估住宅EV充电的需求侧灵活性潜力，为电网定价设计提供信息，并支持智能充电控制策略和用户引导的发展。

2. 方法论
图2展示了本文使用的方法论的概要。首先从家庭电力使用数据和EV充电数据中提取特征，然后分三步进行处理：(1) 估算EV充电器的容量；(2) 对充电事件进行分类（开/关）；(3) 从每小时的家庭智能电表数据中估算用于EV充电的电量。数据集和方法论将在后续章节中详细说明。

2.1 数据集
目前没有公开可用的标记有EV充电数据的挪威智能电表测量数据集。为解决这一限制，将没有EV充电器的单户家庭的测量数据与来自另一来源的住宅EV充电负荷曲线进行了结合，如图3和后续章节所述。这样就得到了有和没有EV充电器的半合成家庭负荷曲线。随后将数据集分为训练集、验证集和测试集，且不存在数据泄露。

2.1.1 家庭数据集
本研究使用的家庭智能电表数据来自公开的可获取的iFlex数据集[38]，其中包含了挪威数百个住宅建筑的每小时电力使用测量数据，以及描述家庭特征和建筑属性的问卷调查结果。根据以下标准从数据集中选择了建筑：具有已知供暖方式的单户家庭、没有EV充电器、有记录的建筑面积以及2021年每小时的完整能源测量数据。所选房屋的平均建筑面积为137平方米，分布在挪威的五个市镇：阿斯克（12户）、贝尔伦（24户）、卑尔根（120户）、利勒斯特罗姆（21户）和奥斯陆（119户）。其中，16户主要使用区域供暖，其余家庭则依赖电加热技术，包括电暖器、空气对空气热泵和电地暖。一小部分（5户或更少）使用生物锅炉、电锅炉或地源热泵。一些房屋还配备有壁炉作为辅助供暖方式。这代表了挪威家庭的普遍情况，因为大约80%的家庭能源使用来自电力[39]。统计数据显示，大约85%的挪威单户家庭使用电加热器，约65%的家庭配备了热泵[40]。此外，挪威建筑存量中仅有极少数单户家庭连接到区域供暖网络或使用生物质燃气。挪威在2020年禁止了化石燃料的供暖使用[41]。
图4展示了296户样本中两个代表性家庭的每小时电力负荷曲线差异：一个没有电加热（7394户），另一个有电加热（7422户）。连接到区域供暖的房子（a）显示出较低的峰值负荷和最小的季节性变化。相比之下，依赖电加热的房子（b）具有较高的峰值负荷和明显的季节性变化，反映了寒冷时期电力使用的增加。该图凸显了在加入EV充电曲线之前，家庭负荷曲线可能会发生显著差异，尤其是因为电加热负荷主导了电力使用。

除了用于空间加热和EV充电的电力外，家庭电力使用量还受到居住者行为、建筑规模、建筑年龄、保温水平以及安装的电加热技术类型等因素的影响。配备电加热的挪威单户家庭通常依赖电热水箱来生产生活热水（DHW），除非配备了电锅炉和/或地源热泵。单独用于空间加热的热储能解决方案相对较少见。

为了补充电力使用数据，还收集了挪威气象研究所[MET Nordic数据集（Rerun档案版本3）[42]中提供的建筑地理位置的气象变量，并根据参考文献[43]描述的方法将它们与每个建筑的电力数据进行了结合。

2.1.2 EV充电数据集
为了生成配备EV充电器家庭的负荷曲线，2.1.1节中的家庭电力使用数据增加了EV充电负荷曲线。EV充电数据来自参考文献[44]，其中包含了挪威12个地点267个住宅充电器的插电时间和用户信息的时间序列数据。其中82个充电器的数据系列包含了至少一年的数据。然后根据参考文献[20]中描述的方法将这些数据转换为每小时的充电电力使用量。图5显示了EV数据集中三个不同充电器一年内每小时EV充电负荷曲线的结果。该图显示了不同充电器的充电频率存在显著差异，有些时间段充电次数频繁，而有些则几乎没有活动。此外，三个充电器的额定充电功率也存在明显差异，范围从大约3.5千瓦到11千瓦不等。假设充电始终以满负荷进行，即11千瓦的充电器在整个充电期间持续输出11千瓦的功率。然而，如果充电器只在每小时的一部分时间内工作，实际每小时电力使用量可能会低于充电功率。例如，如果11千瓦的充电器在一个小时内运行20分钟，则该小时的电力使用量为11 × 20/60 = 3.67千瓦时。尽管充电功率在充电过程中可能会变化，但假设其始终保持在额定功率，因此每小时充电能量仅取决于充电时间长度。需要注意的是，数据的每小时分辨率意味着无法捕捉到半小时内的功率峰值。实际上，一个小时内的瞬时功率可能会有显著波动，超出每小时平均值，无论是对于EV充电还是其他家庭负荷。因此，旨在评估电网瞬时影响的研究需要更高分辨率的数据和不同的方法。

2.1.3 结合有和没有EV充电的家庭数据集
最后，为了生成有和没有EV充电的家庭负荷曲线，将2.1.1节中的家庭负荷曲线与2.1.2节中的EV负荷曲线进行了结合。2.1.1节中的所有296个家庭负荷曲线包含了2021年全年的每小时测量数据。2.1.2节中的82个充电器每个人都至少有一年的充电数据，尽管各个充电器的日历年有所不同，范围从2018年到2021年不等。每个充电器都选取了一年的完整数据。为了与2021年的家庭电力使用数据保持一致，调整了充电器时间序列，使其与2021年的工作日结构对齐。例如，将2020年的充电时间序列重新分配到2021年，并向前移动两天，从而使得序列从周一开始而不是周六。
为了防止数据泄露并确保评估的公平性，每个家庭和EV充电曲线被唯一分配到训练集（70%）、验证集（15%）或测试集（15%）中的一个。为了模拟一个真实的智能电表数据集，在其中无法确定家庭是否拥有EV的情况，只有一半的家庭添加了充电曲线。由于EV数据集中的充电器数量小于296/2户家庭的数量，因此一些充电器在每个数据分割中被多个家庭重复使用。在每个分割中，充电器的家庭分配是随机的。例如，在组合的测试集中，有22户家庭拥有EV充电器，但只有12个EV充电器，这意味着大多数EV充电器被分配给了多个家庭。表1总结了每个数据分割中的家庭数量、EV充电曲线数量以及最终的组合曲线数量。图2也对此进行了说明。

图6展示了训练集中两个拥有EV的家庭的示例，在结合了它们原本没有EV充电的家庭的负荷曲线（“ElHouse”，橙色）与EV充电负荷曲线（“ElEV”，绿色）后的总组合负荷曲线（“ElImp”，蓝色）。家庭a的负荷曲线显示出由于电加热引起的显著季节性变化。家庭a被分配了一个充电容量约为3.7千瓦的EV充电器负荷曲线。组合后的负荷曲线显示充电期间的负荷增加，但原始负荷曲线的整体形状基本保持不变，且仍以供暖为主。相比之下，家庭b的负荷曲线季节性变化较小，峰值负荷相对较低，表明电加热的使用有限或没有使用。当家庭b的负荷曲线与一个额定充电容量为6.5千瓦的充电器结合时，组合后的负荷曲线发生了剧烈变化，变得以充电为主。电动汽车充电事件在综合负荷曲线中表现为明显的峰值，这使得在房屋用电总量的分析中很容易识别出充电时段。下载：下载高分辨率图片（405KB）下载：下载全尺寸图片

图6. 两个单户家庭的每小时用电量示例：一个使用电加热（a），另一个不使用（b）。原始的家庭负荷曲线用绿色表示，电动汽车充电负荷曲线（分别在a中约为3.7千瓦，在b中约为6.5千瓦）用橙色表示，而最终的综合电力进口曲线用蓝色表示。

经过数据处理后，296个综合负荷曲线每个都包含一年的每小时测量数据，其中包括以下特征：时间戳（“TimeStamp”）、室外温度（“Tout”）、风速（“WindSpd”）、风向（“WindDir”）、全球水平太阳辐射（“SolGlob”）以及代表包括潜在电动汽车充电在内的总家庭用电量的电力进口（“ElImp”）。此外，“ElImp”、“ElHouse”和“ElEV”的真实值是已知的。在训练之前，会移除“ElEV”和“ElHouse”这两个变量，并从“ElEV”中提取目标信息，用于后续步骤1–3.2。

2.2.1 智能电表数据的电动汽车充电容量估算
该框架的第一步旨在通过估算现有充电器的充电容量来识别进行电动汽车充电的家庭。本节介绍了使用a) 多类分类或b) 回归估算的方法。

2.2.1. 电动汽车充电器容量估算的特征
在第一步中，从综合负荷曲线中提取一组特征，以用较少的变量表示每个建筑物的完整时间序列。进行这种降维处理是为了确保方法具有通用性，因为未来的数据可能在持续时间、位置、气候区和建筑物规模上有所不同。每个综合负荷曲线共提取了170个特征。这些特征的概述见表2。大多数特征是根据参考文献[45]中描述的特征集从每个建筑物的“ElImp”时间序列中提取的，以捕获与建筑物和供暖类型相关的信息。此外，还添加了专门用于捕捉电力时间序列中电动汽车充电模式的特征。这些新增特征包括自相关性（在参考文献[22]中被认为是检测电动汽车充电的最重要特征）、捕捉电力进口突然变化的特征，以及能量-温度（ET）曲线特征。

表2. 为步骤1a和1b中检测电动汽车充电器和估算充电容量而提取的特征
特征组 描述
N个特征 非标准化电力负荷 来自[45]。包括ElImp的非标准化平均值、最大值、最大值/平均值、最大值发生的时间。
4个特征 电力负荷变化 来自[45]。包括ElImp的所有数据的平均值、最大值、最大值/平均值、最大值发生的时间；冬季、春季、夏季、秋季、工作日、周末；以及室外温度低于10°C时的情况。此外，还添加了“夜间”子集以及中值特征。
38个特征 平均日负荷曲线 来自[45]。从ElImp的平均日负荷曲线中提取的特征，如每日最大负荷、每日峰值时间以及每日最低负荷。
16个特征 标准负荷曲线相关性 来自[45]。标准负荷曲线相关性特征描述了每个建筑物的日负荷曲线与不同建筑类型的标准负荷曲线之间的相关程度。标准负荷曲线是使用PROFet模型[46]生成的。
24个特征 季节性差异 来自[45]。夏季、冬季和全年ElImp的平均值与最大值之间的差异。
24个特征 日负荷曲线 从ElImp的平均日负荷曲线中提取的每小时平均值。
24个特征 平均日能耗 每个工作日的平均日用电量（ElImp）。
11个特征 值的变化 连续时间戳之间电力进口（ElImp）的10个最大绝对变化，代表电力使用的极端短期波动；同时计算30个最大绝对变化的平均值，以平滑异常值，捕捉最重要的电力使用变化幅度。
11个特征 能量-温度（ET）曲线 根据参考文献[47]在每小时和每日层面上绘制ElImp的能量-温度曲线。包括参数CPT、B0、B1、B2作为特征。此外，还计算并添加了CPT以上和以下的标准差、平均值、最小值和最大值作为特征。
6个特征 值的变化（峰值） 为ElImp的值变化添加ET曲线，并添加特征B0、B1、B2、B0/平均值以及高于/低于CPT的值的占比。

2.2.2.1b：充电容量分类
在步骤1b中，使用多类分类来估算家庭的充电容量。图7显示了电动汽车充电数据集中的82个充电器的充电容量（Max（ElEV），以及相同充电器的ElEV的平均值和中位数（当ElEV>0时）。由于充电通常在每小时的部分时间段内发生，因此平均值和中位数通常低于最大充电容量。在步骤1b中，根据这82个充电器的最大充电容量，将296个综合负荷曲线分配到四个充电容量类别之一。这些类别包括：“0”——无充电（适用于没有电动汽车充电器的家庭）；“3”——最大充电容量在2.2至5.1千瓦之间的家庭；“7”——最大充电容量在5.1至7.4千瓦之间的家庭；“11”——最大充电容量在7.4至11.3千瓦之间的家庭。充电器的充电容量类别标签在图7中标出。类别划分基于挪威市场上常见的充电器容量，通常是3千瓦、7千瓦或11千瓦。尽管单个充电器的最大容量可能略有不同，但不同类别的充电器之间的最大充电容量有明显的跳跃。多类分类是使用基于参考文献[45]中描述的方法的随机森林分类器（RF Classifier）进行的，该方法最初是为从建筑物的智能电表数据中分类建筑物类别和供暖类别而设计的。在参考文献[45]中测试了几种方法和方案。本文选择的方法是在本文提出的新分类任务中表现最好的方法。

下载：下载高分辨率图片（235KB）下载：下载全尺寸图片

图7. 电动汽车充电数据集中充电器的充电容量（最大充电功率）、平均充电功率和充电类别。

2.2.3 第一步b：充电容量估算
另一种替代多类分类的方法是使用回归将296个综合负荷曲线的充电容量估算为连续变量。这种替代方法是因为将综合负荷曲线严格分为有限数量的类别可能会导致误分类风险，特别是对于那些充电容量处于类别上限或下限的家庭。相反，连续估算方法则存在相反的风险，即可能将没有充电器的建筑物分配一个较小但非零的充电容量。

为了通过回归分析估算连续充电容量，研究了几种常用的回归方法。表3总结了步骤1a（分类）和步骤1b（回归估算）中使用的模型。

表3. 步骤1中用于充电容量估算的模型
方法 步骤1a：充电容量分类 随机森林（RF）分类器
步骤1b：充电容量估算 Extra Trees（ET）回归器 线性回归（LR）
极端梯度提升（XGB） 随机森林（RF）回归器

2.3 第二步：智能电表数据中电动汽车充电事件的分类
该方法的第二步侧重于识别综合负荷曲线中电动汽车充电发生的电力使用时间序列的时段（ElEV > 0）。从每小时电力使用中检测电动汽车充电事件被构建为一个二分类问题，目标是预测在给定时间步是否发生充电。两个类别定义为充电和未充电（开启/关闭）。

评估了多种模型来完成这项任务，包括Extra Trees分类器、Categorical Boosting分类器和ConvLSTM。其他模型也在初步实验中进行了测试，但由于性能不佳而被淘汰。ET和CB在负荷分解任务中表现出色，因为它们能够捕捉非线性关系，并且CB还提供了高计算效率。还包括ConvLSTM，以测试它是否能提供比提取的特征更深入的时间依赖性洞察，这可能有助于区分电动汽车充电与其他家用电器的用电。ConvLSTM模型采用提取的特征数据集，并对输入特征进行最小-最大缩放，可以使用每小时样本或24小时滑动窗口。该网络由一个具有16个滤波器的ConvLSTM2D层和一个（1,1）核组成，使用ReLU激活函数，随后是一个扁平化层和两个全连接层（4个隐藏单元和一个Sigmoid激活的输出层）。

每个模型输出一个连续概率，表示每个时间步充电的可能性。如果预测概率超过50%，则假设发生了充电事件。还研究了改变此阈值对分类性能的影响，但未实际实施。此外，还研究了将步骤1a/步骤1b的结果作为额外特征添加是否会影响步骤2的性能。

2.2.3.1 充电事件分类特征
为了分类电动汽车充电发生的时段（ElEV>0，步骤2），并部分估算电动汽车充电的每小时用电量（ElEV，步骤3），从综合负荷曲线中提取特征。总共从每个建筑物的时间序列和时间步的原始五个特征（Tout、WindSpd、WindDir、SolGlob、ElImp）中提取了241个特征。其中包括基于当前和过去时间步的133个特征，以及基于未来时间步的108个特征。大多数特征基于参考文献[48]中的特征，该参考文献旨在识别用于供暖的电力消耗，同时引入了一些额外的特征来专门识别电动汽车充电的电力消耗。这108个时间延迟特征仅适用于回顾性（离线）分析，不能用于实时应用。然而，它们可能对研究和数据后处理有价值。

表4列出了步骤2和步骤3中用于电动汽车充电分类和预测的所有特征。
表4. 第二步中用于充电事件分类的特征以及第三步中用于预测电动汽车充电用电量的特征
特征组 描述
N个特征 N个特征组
过去和当前值 原始特征 [48] Tout、SolGlob、WindSpd、WindDir、ElImp 133
日期时间特征 [48] 时间戳提取的特征：小时、天、月、一年中的日期、一周中的 giorno、一周中的星期几、周末（1/0）、一天中的小时、小时的余弦值、周末状态的余弦值、周末状态的余弦值、工作时间（1/0） 14
每日特征 [48] ElImp的每日特征：平均值、最大值、最小值、标准差（Std）、方差（Var）、平均值超过标准的平均值、平均值超过方差的平均值、当前值减去每日平均值、当前值减去每日最大值 13
滚动窗口特征 [48] ElImp过去1-24小时的滚动窗口特征，包括平均值、最大值和最小值 72
滚动下降 [48] 滚动下降特征用于测量通过比较当前滚动平均值与某个时间步之前的滚动平均值来变化的情况。例如，它计算过去3小时的平均电力使用量与5小时之前的滚动平均值之间的差异，以检测可能由充电开启/关闭引起的平均电力使用的突然变化 5
滞后特征 [48] ElImp之间1到12小时的滞后值 12
SAX特征 [48] 符号聚合近似（SAX）是一种时间序列表示方法[49]。SAX特征通过根据计算出的断点将时间序列数据离散化为符号字母，简化数据表示。然后，该函数汇总并计算这些符号的每日频率，从而能够分析时间序列数据中的日常模式及其分布。12个领先和峰值特征与滞后特征类似，但关注的是当前时间步之后的（未来的）值，范围从+1到+12小时，针对ElImp12108（241）。差异特征是ElImp当前值与-12小时到+12小时之间的差值。滚动窗口特征（领先）与滚动窗口特征（滞后）类似，但关注的是当前时间步之后的ElImp的（未来的）值，时间范围为接下来的1-24小时，包括平均值、最大值和最小值。步骤2和步骤3b中的预测是使用几种不同的特征组合和模型来优化解决方案的。表5概述了为各项任务评估的特征集。简而言之，不同的特征集包括表2、表4中的不同特征组合以及步骤1中估计或分类的充电容量。例如，如果一个特征集名为“302+1e”，那么该特征集包含表2中的所有完整数据特征（170个特征）、根据当前和过去时间步的值从表4中提取的特征（133个特征），以及步骤1b中估计的充电容量（1个特征）。表5. 特征集组合和步骤1中的特征符号（预测的充电容量）。名称 全数据集特征（170） 每个时间步的特征，包括当前和过去的值（133） 每个时间步的特征，包括下一个时间步的特征（108） 无 是 是 否 无 303 是 是 否 无 241 否 是 是 411 是 是 是 名称 描述 无特征 +2 步骤1中的估计（回归）和分类充电容量 +1c 步骤1a中的分类充电容量 +1e 步骤1b中的估计（回归）充电容量 2.4. 第3步：使用智能电表数据预测电动汽车充电的电力使用在第三步中，目标是根据组合负载剖面估算每个时间步的电动汽车充电电力使用情况。探索了两种不同的方法：步骤3a – 基于前一步骤的直接计算在这种方法中，每个时间步的电动汽车充电电力使用量是通过步骤1中预测的充电容量（通过回归或分类获得）与步骤2中预测的充电事件状态相乘来计算的，公式如下：ElEVp,i,step3=Chargingcapacityp,step1×Chargingeventstatep,i,step1×1h其中p是预测值，i是时间步。ElEV以千瓦时/小时为单位，充电容量以千瓦为单位，充电事件状态可以是二进制值（1或0）或0到1之间的概率。步骤3b – 基于回归的方法在步骤3b中，通过回归而不是简单地乘以步骤1和步骤2的结果来预测组合负载剖面的每小时电动汽车充电电力使用量（ElEV），使用与步骤2中相同的特征以及一个CB回归模型，类似于参考文献[48]中的方法，但增加了更多特征，并将ElEV作为目标变量。除了步骤2中的特征外，还研究了将步骤1和步骤2的预测作为特征如何影响ElEV的预测。2.4.1. 为电动汽车充电分解提供物理信息的约束为了进一步提高分解结果并增加模型的实际适用性，可以在步骤3中使用结合了表现最佳模型的物理信息后处理滤波器的混合建模方法。这些滤波器对电动汽车充电的预测电力使用量施加基本的硬性约束，以防止出现物理上不可能的值，并减少应用回归模型时可能出现的大量非常小的非零预测值。约束/滤波器及其理由在表6中总结。表6. 应用于预测的电动汽车充电负荷（ElEV）的物理信息后处理滤波器，包括每个约束的描述及其物理理由。约束 描述 物理信息理由 非负约束 将电动汽车充电的预测电力使用量ElEV设置为零 电力使用量不能为负 全球充电容量约束 通过将值限制在12千瓦以内来限制ElEV预测 抗告的充电容量 将ElEV限制在预测的家庭充电容量（分类和估计的充电容量的最大值）以内 避免ElEV超过安装（此处：预测的）充电容量 总电力进口约束 确保预测的ElEV不超过实际测量的电力进口量 电动汽车充电的电力使用量是总电力使用量的一部分 移除微小预测约束（<1分钟等效或<10分钟等效） 将对应于估计的充电容量不足1分钟或10分钟的预测ElEV设置为零 住宅电动汽车充电通常在持续的充电会话期间以稳定的功率水平进行，持续时间超过几分钟。移除孤立短时事件（<30分钟）约束 当在相邻小时内没有充电时，移除预测的充电事件（设置ElEV = 0），这些事件对应的充电时间少于30分钟。充电会话很少以仅持续几分钟的孤立短峰值形式出现，尽管会话可能在半小时内开始或结束。2.5. 性能指标和评估为了评估所提出方法每个步骤的性能，使用一组性能指标将预测结果与真实值进行比较。性能指标在表7中描述。表7. 性能指标。任务名称 简短描述 公式 分类任务（步骤1a和步骤2） 准确率 准确率 真正预测的数量除以所有预测的数量。 Accuracy=TP+TN TP+FP+TN+FN 精确度 所有模型正面分类中实际上为正面的比例。 Precision=TP+FP 召回率 所有实际正面中被正确分类为正面的比例。 Recall=TP+FN F1分数 F1 精确度和召回率的调和平均值。 F1=2TP/(TP+FP+FN) 回归（步骤1b和步骤3） 均方绝对误差（MAE） 预测值和真实值之间绝对差异的平均值 MSE=1/n∑i=1n|yi?y?i| 均方误差（MSE） 预测值和真实值之间平方差异的平均值 MSE=1/n∑i=1n(yi?y?i)2 均方根误差（RMSE） 预测值和真实值之间误差的平均幅度，其中较大的误差受到更多惩罚。 RMSE=1/n∑i=1n(yi?y?i)2 决定系数R2 模型预测解释的观察数据方差的比例。 R2=1?∑(yi?y?i)2/∑(yi?y￣￣i)2 标准化均方绝对误差（NMAE） 均方绝对误差除以观测值的平均值，提供独立的预测误差评估。 NMAE=∑i=1N|yi?y?i|n·y￣ 其中TP = 真正正面数量，FP = 假正面的数量，TN = 真负面的数量，FN = 假负面的数量，yi = 第i点的真实测量值，y?i = 第i点的预测值，y￣ = 所有真实测量值的平均值，n = 数据点数量。在步骤2和步骤3中，每个集合（训练、验证和测试）内的负载剖面被连接起来，创建一个连续的电力使用数据时间序列，合并每个集合中的所有家庭。然后计算整个连接测试集时间序列的性能。图8显示了测试集中所有44栋房屋的每小时电动汽车充电剖面（“ElEV”），代表了总共44年的每小时数据。该图突出了家庭之间的显著差异以及它们用于电动汽车充电的电力量：一些家庭有电动汽车充电器，而其他家庭没有，充电功率从0到11.3千瓦不等，不同家庭的充电模式也有明显差异。下载：下载高分辨率图像（261KB）下载：下载全尺寸图像图8. 结合测试集中所有44栋房屋的每小时电动汽车充电剖面（ElEV）。y轴显示每小时电动汽车充电的电力使用量（Wh/h），x轴表示房屋索引（1-44）。3. 结果3.1. 第1步：智能电表数据的电动汽车充电容量估计3.1.1. 第1a步：充电容量分类在步骤1a中，通过随机森林分类器进行多类分类方法估计组合负载剖面的充电容量。图9以混淆矩阵的形式展示了步骤1a的测试集结果。该图比较了每个组合负载剖面的实际和预测的充电容量类别（0、3、7或11千瓦时/小时）。模型根据准确率、精确度、召回率和F1准确地将测试集中93%的建筑物/负载剖面分类为正确的充电容量类别。该图还显示了不同充电类别内每个建筑的性能，对于两个最高充电容量类别来说这是完美的。测试集中有 three栋建筑被错误分类。下载：下载高分辨率图像（196KB）下载：下载全尺寸图像图9. 使用分类模型对测试集进行电动汽车充电容量预测时的混淆矩阵和性能指标。在按特征重要性测量的主要贡献者中，包括捕捉总电力使用量十大变化的特征、五十个最高ElImp值的平均值，以及代表电力进口尖峰的ET曲线变量。这些结果表明，强调电力使用突发变化的特征对于区分充电容量至关重要，即使存在电加热也是如此。这也支持了充电容量较高的家庭更容易检测到的观点，因为它们的充电行为产生了更明显的电力使用模式。图10显示了被错误分类为错误充电容量类别的 three栋房屋的负载剖面。房屋a和b被错误分类为拥有3千瓦的充电器，尽管它们实际上没有电动汽车充电器。可能是由于在低用电量期后的偶尔高电力使用量峰值被误认为是电动汽车充电峰值，因为电力使用的巨大变化是分类模型的关键特征。在房屋a中，峰值与电力使用量非常低的时期重合，这可能对应于居民外出度假的时间。当他们返回时，由于同时使用加热设备和电器，电力使用量急剧增加。在房屋b中，峰值发生在冬季月份，并且在这些时刻之前没有低电力使用量，这表明这些峰值可能是由于在特别寒冷的日子里使用了额外的加热设备。另一方面，房屋c确实有一个3千瓦的充电器，但被错误分类为没有充电器（类别0）。这可能是因为它的峰值功率相对较低（约8千瓦），充电会话时间短且季节性变化有限。因此，电力使用的每小时变化较小，使得电动汽车充电事件更难以与常规家庭电力使用区分开。下载：下载高分辨率图像（586KB）下载：下载全尺寸图像图10. 三个被错误分类的建筑的电力负载剖面（组合负载剖面）。房屋a）没有电动汽车充电器，但被分类为拥有3千瓦的充电器。同样，房屋b）没有电动汽车充电器，但被分类为拥有3千瓦的充电器。相反，房屋c）确实有3千瓦的充电器，但被分类为没有充电器。3.1.2. 第1b步：充电容量回归在步骤1b中，使用回归模型而不是多类分类来估计组合负载剖面的充电容量。图11显示了不同回归模型预测的测试集中每个建筑的估计电动汽车充电容量。该图还包括每个房屋的真实充电容量。“真实”充电容量是充电器实际观察到的最大充电功率。作为比较，图中还显示了步骤1a中每个建筑的预测充电容量类别。如图所示，回归模型通常低估了几个建筑的充电容量。这可能是因为平均充电功率低于之前讨论的最大充电功率或充电容量。下载：下载高分辨率图像（258KB）下载：下载全尺寸图像图11. 不同模型与实际充电容量的充电容量回归比较，以及步骤1a中分类的充电容量。下载：下载高分辨率图像（215KB）下载：下载全尺寸图像图12. 当应用到测试集时，具有411+1e特征的CB分类模型的混淆矩阵，精度=0.87，召回率=0.81，F1=0.84，阈值0.5。混淆矩阵显示，识别充电小时的假阴性多于阳性。通过将阈值设置为0.4，F1、精确度和召回率变为0.84。请注意，由于丢失的值，一些小时被移除了。表8展示了每个回归模型的性能。报告的分数代表测试集中所有建筑的平均性能。在使用回归方法估计充电容量（步骤1b）而不是多类分类（步骤1a）时，RF回归器取得了最佳性能。图表和表格都表明，使用XGB和ET回归器也能获得满意的结果，而逻辑回归（LR）模型产生的误差较大，且经常对没有充电器的建筑预测出不切实际的高充电容量。表8显示了不同模型在充电容量回归方面的性能。

**步骤1b的引入是为了替代步骤1a中的多类分类，因为将建筑严格划分为预定义的类别可能会导致误分类，特别是对于充电容量接近类别边界或充电容量相对较低的建筑。步骤1a和1b的结果表明，这两种方法在估计充电容量方面都表现良好，可以根据实际目的选择使用。因此，步骤1a和1b中使用RF回归器的结果被延续到步骤2和3中，以调查这些结果作为特征时对性能的影响。**

**3.2. 第2步：在智能电表数据中对电动汽车充电事件进行分类**
在步骤2中，任务是识别智能电表时间序列中电动汽车充电发生的小时（ElEV > 0）段。评估了几种不同的特征集（在2.3.1中描述）和模型。表9使用精度、召回率和F1分数来衡量这些模型和特征集在步骤2中的性能。由于充电仅发生在数据集的少数小时内，因此电动汽车充电数据高度不平衡。由于这种不平衡，不报告准确性；相反，评估的重点是模型使用精度、召回率和F1分数来识别充电小时的能力。**

**表9. 不同分类模型（CB分类、ConvLSTM和Extra Trees）使用不同特征集预测充电状态（开/关）在测试集上的性能。CB模型表现最佳。对于ConvLSTM和ET，仅展示了对该模型而言表现最好的特征集。**

如表9所示，使用特征集411+1e的CB分类器在步骤2中取得了最佳性能，识别电动汽车充电小时的精度为87%，召回率为81%，F1分数为84%。由于CB分类器整体表现最佳，因此报告了该模型所有特征集的结果，而其他两个模型仅展示了表现最好的特征集（无论是否包含引导特征）。对于具有241个特征的ConvLSTM模型，展示了每小时输入和24小时滑动窗口的结果。虽然24小时滑动窗口提高了召回率，但精度和F1分数下降，整体性能没有提高。这可能是因为领域相关的特征已经捕获了许多相关的时间上下文，例如一天中的时间模式和电力使用的滑动窗口。**

**图12显示了使用特征集411+1e的CB分类器在测试集上进行电动汽车事件检测时的混淆矩阵。它展示了连接后的测试集中所有小时是如何被分类为充电（1）或未充电（0）的。该矩阵突出了数据集中的类别不平衡，大多数小时对应于没有电动汽车充电的时间。因此，步骤2的目标是增加真正例（充电小时）的数量并减少假负例和假正例的数量，而对真正例（未充电小时）和分类准确性的关注较少。**

CB分类器根据0到1之间的概率输出充电状态的二进制预测。如果概率超过0.5，则值设为1；否则设为0。调整这个阈值会影响假正例和假负例之间的权衡，从而影响性能指标。降低阈值会增加召回率但降低精度，而提高阈值则产生相反的效果。在这种情况下，将阈值降低到0.5以下会稍微提高整体性能，因为标记为充电的几个小时实际上为短暂充电事件，而在0.5阈值下的混淆矩阵显示的假负例多于假正例。将阈值设置为0.4时，F1分数、精度和召回率都将达到0.84。然而，这在步骤2和3的结果中并未实现；仅用于说明有些小时可能难以检测到。**

**图13显示了CB分类器在特征集411+1e中前20个“最重要”特征的特征重要性值，图14显示了这些特征的SHAP值。它强调了步骤1b中的估计容量（来自回归）是迄今为止最重要的特征，但其他特征也有贡献。特别是那些捕捉到每小时电力消耗变化的特征，以及与室外温度相关的特征。**
**不同特征集的模型结果显示，添加步骤1中的分类充电容量（+1c）会降低CB分类器的性能，而添加估计充电容量（+1e）则会提高性能。+1c导致性能下降主要是由于误分类，尤其是那些实际上有充电器的房屋被错误地分类为没有充电器。在训练数据中，类别“0”中的房屋没有任何标记为充电的小时。因此，模型学会了将0类别与没有充电活动联系起来，并错误地假设在这种情况下不可能发生充电。相比之下，步骤1b中的估计充电容量（+1e）为步骤1a（1c）中分类为0 kW的几栋房屋提供了一个较低的值（介于1到2 kW之间）。这使模型能够保留不确定性，并即使估计容量较低也能识别出充电的可能性。**

**还测试了使用SHAP值进行特征选择是否可以提高CB分类模型的性能。通过仅选择平均SHAP值大于0.05的特征，可以减少特征的数量。尽管如此，性能仅略有下降。最后，还在CB分类模型上测试了不平衡学习，以评估其是否可以提高分类性能，但没有取得任何改进。**

**图13. 使用特征集411+1e的CB分类模型检测充电小时时，前20个特征的重要性。**
**图14. 使用特征集411+1e的CB分类模型检测充电小时时，前20个特征的SHAP值。**

**3.3. 第3步：从智能电表数据预测电动汽车充电的电力使用量**
在步骤3中，目标是从组合负载剖面中估计每个时间步骤的电动汽车充电所使用的电力。**

**3.3.1. 第3a步：充电容量分类与充电小时分类**
在步骤3a中，每个时间步骤的电动汽车充电电力使用量是通过步骤1中的预测充电容量（通过回归或分类获得）与步骤2中的预测充电事件状态相乘计算得出的。表10显示了通过结合步骤1a和1b中的不同充电容量结果，以及步骤2中的连续或二进制充电事件状态预测，得到的测试集中建筑物的ElEV预测性能结果。结果表明，当预测的ElEV与真实值比较时，大多数组合的性能都相对较差。最佳性能是通过将步骤1b中的估计充电容量与步骤2中的连续充电事件概率相乘获得的。这导致测试集的R2为0.71，NMAE为0.007，MAE为72 Wh/h。图15显示了这种组合下测试集中建筑物的预测ElEV值与真实ElEV值的比较。在没有电动汽车充电的建筑中，ElEV的预测存在一个明显的错误，其中电动汽车充电容量被错误分类（估计值高于实际值0）。结果导致这些建筑物被估计为有显著的电动汽车电力使用，尽管实际上这些建筑物没有电动汽车充电器。此外，对于大多数家庭来说，大多数小时的ElEV都被低估了，因为估计的充电容量值通常低于实际充电容量值。**

**表10. 当将步骤2中的预测充电状态与具有411+1e特征的CB模型以及步骤1中的预测充电容量（无论是分类还是估计）结合时，测试集中电动汽车充电的预测电力（ElEV）与真实值的比较。**

**特征集 步骤2类型 步骤1类型 步骤2模式 R2 NMAE MAE**
**411+1e 分类 连续 0.61 10.00 87.9 0.00 9.5**
**二进制 0.49 70.00 69.9 0.00 76.9**

**连续 0.71 30.00 72.2 0.00 66.3**

**下载：高分辨率图片（352KB）**
**下载：全尺寸图片**

**图15. 表中一种组合下测试集中建筑物的预测ElEV与真实ElEV的比较。**
**使用步骤2中的连续充电事件检测的组合比使用二进制充电事件检测结果作为输入的组合表现更好。当使用步骤2中的二进制充电状态时，每个被分类为“充电”的小时都被赋予相同的充电功率，无论该小时内的实际充电持续时间如何。然而，使用连续充电概率会为许多小时分配一个很小但非零的充电概率。这导致模型几乎每小时都预测到有充电负荷，这是不现实的。总体而言，这种方法中的没有任何模型组合能够实现高预测性能。**

**值得注意的是，使用二进制模式时，NMAE和MAE可以减少（改善），但R2也会下降（恶化）。这是因为R2反映了模型捕捉变化的能力，而NMAE和MAE衡量的是平均误差幅度；一个方面的改进不一定转化为另一个方面的改进。应该注意的是，步骤2中的特征集411+1e已经包含了步骤1中的估计误差，但使用这个特征集在步骤3a中的结果仍然比不使用步骤1的结果（411）要好。**

**3.3.2. 第3b步：将充电容量和充电小时作为特征来估计充电功率**
步骤3b是步骤3a的替代方案，它直接使用包含或排除步骤1和2的输出作为输入特征的回归模型来估计电动汽车充电所需的电力（ElEV）。图16显示了使用不同特征集训练的CB回归模型预测的测试集中建筑物的预测ElEV值与真实ElEV值之间的比较。**

**下载：高分辨率图片（1MB）**
**下载：全尺寸图片**

**图16. 使用方法3b的测试集中每个时间步骤的预测与实际电动汽车充电电力使用量比较。**
**当没有使用步骤1和2的信息进行训练时，具有241个特征的CB回归模型在预测测试集中建筑物的ElEV方面表现明显优于方法3a，R2为0.85，NMAE为0.006，MAE为58 Wh/h。这个模型的性能也优于使用133或411个特征的模型。然而，仍存在几个问题：模型几乎每小时都预测到一些ElEV值，包括那些没有电动汽车充电的家庭。此外，所有建筑的峰值充电负荷都被高估了。**

**将步骤1b中的估计充电容量作为特征包括在内可以提高性能，略微提高R2并减少NMAE，而MAE基本保持不变。在没有电动汽车充电的家庭中，预测的能源使用量接近零，峰值负荷被更准确地捕捉到。**在使用241个特征时，与使用133个特征相比，可以获得略好的结果。即使不使用基于未来值的特征，也能达到可接受的性能，这使得该模型适用于实时分解。实际上，分解更有可能仅针对已被分类为拥有电动汽车充电设施的建筑进行。为了反映这一点，除了估计的充电容量外，还添加了一个二元分类特征，表示是否存在电动汽车充电器（1=有充电器，0=没有充电器）。这一调整成功消除了对没有电动汽车充电器的家庭的充电预测，使得这些建筑的充电估计值为零。然而，对于被错误分类为没有电动汽车充电器的建筑（数据集中有两个案例），出现了新的问题，即完全不预测充电情况。因此，尽管整体的R2值在测试集上降到了0.78，MAE增加了64 Wh/h，但对于正确分类的建筑子集，性能有所改善。最后，将步骤2的结果作为特征纳入模型（无论是作为连续概率还是二元变量），都会导致性能显著下降（如图f所示）。这是因为训练数据中总是包含正确的充电状态和功率，导致模型过度拟合这些特征。实际上，在步骤2中，充电状态的错误分类率约为15%，而二进制（开/关）训练标签不能很好地转化为模型的连续输入，进一步降低了性能。在R2指标上表现最好的是使用241个特征时的配置（如图16c所示）。这种配置使用步骤1中估计的充电容量作为输入特征，并不包括步骤2的结果。在NMAE指标上表现最好的是 ebenfalls使用241个特征的情况，但使用步骤1中分类出的充电容量（如图16d所示）。对于MAE，使用241个特征的模型取得了最佳结果，为58，仅略高于同时使用相同特征集和估计充电容量时的MAE（图16b和c）。

3.3.3. 基于物理知识的电动汽车充电分解约束
表11展示了所提出的基于物理知识的过滤器对测试集性能的影响，这些过滤器与步骤3b一起使用。这里的基线模型是使用241+1E特征集训练的CB回归模型。
表11. 单独应用和累积应用基于物理知识的后处理约束对使用241(+1e)特征集进行预测的测试集结果的影响。
过滤约束 | 单独添加的过滤 | 累积添加的过滤
---------|------------|-----------
R2 | 0.86 | 0.86 |
NMAE | 0.0056 | 0.0056 |
修改的时间步数% | -0.86 | -0.86 |
非负约束 | 0.86 | 0.86 |
全球充电容量约束 | 0.86 | 0.86 |
总电力进口约束 | 0.86 | 0.86 |
移除微小预测约束（<1分钟）| 0.86 | 0.86 |
移除微小预测约束（<10分钟）| 0.86 | 0.86 |
移除孤立短事件（<30分钟）| 0.86 | 0.85 |
建筑特定充电容量约束 | 0.85 | 0.84 |

结果表明，基线分解模型已经满足了几项基本的物理约束。非负约束、全球充电容量约束和总电力进口约束几乎不修改或只修改很少的时间步数，因此对性能指标的影响很小。这表明基线模型在很大程度上已经学习并尊重了这些物理限制。相比之下，针对非常小的非零充电事件的过滤器有显著的效果。移除相当于1分钟或10分钟以下充电时间的微小预测影响了大约23-28%的时间步数，并显著降低了MAE和NMAE，特别是在10分钟等效约束下。这与步骤2中错误分类为充电小时的小时数相符，这些小时中有微小的非零预测。移除在相邻小时没有充电的孤立短充电事件（<30分钟等效）的过滤器在应用时提供了额外的、较小的改进。最后，建筑特定充电容量约束修改了大约20%的时间步数，这可能是由于步骤1中估计/分类的充电容量的不准确引入了额外的错误。

4. 讨论
4.1. 数据集生成
目前还没有一个足够大的数据集，其中包含挪威或其他北欧国家的多个建筑的智能电表数据和电动汽车充电数据。为了解决这个问题，本研究使用的数据集是通过结合没有电动汽车充电的家庭的真实智能电表数据和已知插电和断电时间以及充电功率的真实充电器的充电概况生成的。这种半合成方法有几个局限性需要承认。首先，假设每次充电过程中的充电功率保持不变。然而，在现实中，充电功率可能会根据电池充电状态、充电协议、环境条件以及插座或车辆的功率限制等因素而变化。其次，在合并家庭电力使用数据和电动汽车充电概况时，假设居住者和电动汽车充电事件是独立的。实际上，电动汽车充电通常与家庭居住模式相关，因为车辆通常在居民在家时充电。因此，训练数据中没有完全捕捉到与天气和个人日常惯例相关的关联。不过，由于家庭和电动汽车充电数据都来源于居民区，仍然存在一些自然的时间重叠，因为充电通常发生在居民最可能在家的傍晚、夜间和早晨。在居民不在家时发生电动汽车充电的情况下，半合成数据集中的充电小时周围的电力使用时间可能会出现人为降低的情况，这可能使得某些充电事件的检测更加容易，同时针对检测负载峰值的特征可能变得不那么重要。然而，在真实世界的数据中，捕捉一天中不同时间模式的某些特征之间的相关性会更强，因为充电行为自然与居住时间和日常惯例相关联。总体而言，使用真实世界数据时，步骤2和步骤3的性能对于某些建筑和某些小时可能会提高，但也可能会对其他建筑和小时产生不利影响。因此，对完全标记的真实世界数据集进行验证是未来工作的一个重要方向。

此外，在现实世界中，根据动态电价、保险丝限制或峰值功率减少来调整充电模式的智能充电解决方案正变得越来越普遍。此外，引入峰值负载电价意味着使用最高容量充电器的成本会增加，这可能会影响在家中使用最高容量充电器的情况。本研究中使用的电动汽车充电数据来自没有智能充电功能的充电器，这是一个局限性。然而，仍然有相当一部分家庭电动汽车充电是没有智能充电控制的，因此从智能电表数据中检测和分解“不受控制”的充电仍然是相关的。此外，即使智能充电的采用率增加，所提出的框架仍然相关，因为电网运营商和能源供应商仍然需要方法来监测和量化来自智能电表数据的电动汽车充电负载，无论充电是否受到智能控制。对特征重要性和SHAP值的分析表明，除了估计的充电器容量外，检测电动汽车充电事件的关键特征还包括当前电力使用量与每日最低量的差异、相邻小时之间的负载短期变化、室外温度以及负载峰值。我们假设，即使在智能充电操作下，所提出的框架也能在大多数情况下检测到电动汽车充电事件，因为一些最具影响力的特征并不直接与固定的充电时间表相关联。然而，如果使用来自智能充电器的数据重新训练模型，时间特征的重要性可能会降低，因为充电会在不同时间分散进行，或者某些小时的重要性相对于其他小时会发生变化，尤其是在电价通常较低的时段。如果使用具有智能充电功能的数据重新训练，将电价作为一个特征可能会进一步提高检测智能充电的准确性。此外，如果充电主要转移到夜间时段，捕捉负载峰值和小时间变化的特征可能会变得更加有信息量，因为在这些时段家庭电力使用量较低。然而，这种效果将取决于所应用的智能充电控制策略。如果主要目标是通过平滑或限制充电功率来减少峰值负载，那么最终的充电概况可能会显示较少的明显峰值，这可能会使事件检测更具挑战性。

还应该注意的是，数据集中家庭的保险丝规格是未知的。挪威家庭的保险丝规格通常在25到63安培之间，相当于三相连接的可用功率约为25千瓦。鉴于这种相对较高的假设可用功率，结合家庭和电动汽车负载超过实际保险丝限制的情况不太可能普遍，但在高空间加热需求和电动汽车充电同时发生的时段，某些家庭可能会出现这种情况。在未来的工作和实际应用中，可以考虑基于保险丝限制的后处理过滤器，或者在选择合成数据集时加以考虑。

步骤1 – 充电器容量估计
在充电器容量估计任务中，目标是根据家庭的智能电表数据确定其是否具有电动汽车充电及其充电容量，可以使用a) 分类或b) 回归方法。虽然这两种方法不能直接比较，但图11显示这两种方法都能相当好地捕捉到“真实”的充电容量，每种方法对不同的家庭表现更好。分类标签基于挪威市场上常见的充电器容量。然而，在现实中，实际充电功率不仅取决于充电器本身，还取决于电动汽车本身，因为不同的电动汽车有不同的功率摄入限制，以及其他之前讨论过的因素。

使用电加热的家庭通常表现出较高的负载和明显的日变化和季节性电力使用模式，这使得电动汽车充电的检测更加具有挑战性。在挪威的单户住宅中，用于空间加热的热存储相对不常见，而家用热水箱则很普遍。这些水箱可能会在住宅智能电表数据中引入变化性，因为它们的工作功率通常在2-3千瓦左右，并且可能会运行几个小时。因此，热水箱的负载在持续时间和时间上可能与电动汽车充电事件相似。这可能部分解释了为什么3千瓦的充电功率类别比更高功率类别更难以识别，并可能影响低电动汽车充电容量家庭的性能。对于电动汽车容量分类来说，最重要的是捕捉每小时电力使用的显著变化的特征。然而，这也引入了误分类的潜在风险，因为类似的突然变化可能是由其他因素引起的，例如热水箱、居民从假期返回或在寒冷时期使用额外的电加热。总体而言，当前案例研究能够检测到具有电加热的家庭的电动汽车充电，尽管电力使用存在显著的日变化和季节性波动。然而，由于这些特征是针对挪威独立房屋定制的，并且没有标准化，模型可能无法很好地泛化到其他建筑类型或具有不同峰值负载特征的地理区域。在这种情况下，可能需要使用目标区域的数据重新训练模型。

步骤2 – 充电事件分类
在步骤2中，任务是使用分类来识别发生电动汽车充电事件（开/关）的小时。如前所述，充电状态分类错误的一个主要原因是充电器可能仅在每小时的一小部分时间（例如10分钟）内使用，导致每小时的电力使用量较低。这对电动汽车充电的逐小时分解提出了一个根本性的挑战，这个挑战难以克服，也无法完全消除，但是应用第3步中使用的那种基于物理知识的严格过滤器可能会改善结果。总体而言，识别每小时充电事件的准确率约为87%，与以往的研究相比是一个不错的结果，特别是对于使用电加热的家庭而言。测试模型之间的差异很小，但CB模型由于其更快的训练时间和略高的准确性而成为最佳选择。不同模型之间的结果相似性表明，特征工程和数据质量可能比模型选择发挥更决定性的作用。第2步中提取的所有特征都可以从原始输入数据中得出：电力使用量、时间戳和天气参数，这些数据易于获取且适用于实际应用。当模型能够利用代表未来电力使用量的特征时，其表现略优于仅使用同一时间步的过去和当前数据的情况。虽然这样的预处理特征不适用于实时应用（如智能控制和需求侧灵活性），但它们在离线环境中（如数据整理或事后能效分析）仍然有用。添加预处理特征对性能的改善作用大于添加第1步中使用的全数据集特征，尽管同时使用两者可以获得最佳的分类结果。

第3步——估算电动汽车充电的逐小时电力使用量
第3步旨在从家庭智能电表的总数据中估算电动汽车充电的逐小时电力使用量。由于标记训练数据的限制，这项任务在以往的研究中受到了较少的关注；大多数研究主要集中在检测充电事件上，就像第2步所做的那样。这一阶段的性能参差不齐，但表现最好的模型能够获得相对可靠的结果。
- 第3a步通过将第1步估算的充电容量与第2步检测到的充电状态（二元值）相乘来估算电动汽车充电的电力使用量。这种方法存在固有的局限性：它可能会 systematically 低估或高估充电负荷。当第2步遗漏部分小时的充电事件时，就会发生低估；而当所有检测到的“开启”小时都被赋予了全部充电容量时，即使实际充电时间较短，也会发生高估。理论上可以使用第2步输出的连续充电概率，但实际上这些概率很少为零，也很少达到最大负荷，导致几乎每个小时都会预测到充电，但很少与实际测量到的电动汽车充电电力使用量匹配。结合基于物理知识的约束条件可以部分缓解这一问题，但总体性能仍然较差，该方法经常低估峰值负荷。
- 第3b步则直接使用回归算法从智能电表数据中预测电动汽车充电的逐小时电力使用量，并且性能优于第3a步。将第2步的输出作为特征纳入模型反而降低了性能，因为这会导致误差传播。一个反复出现的问题是几乎每个小时都会预测到非零的充电值。为了解决这个问题，引入了一种基于物理知识的后处理过滤器，以消除物理上不可能的预测，并将模型输出限制在可行的范围内，从而直接解决了这一问题以及其他先前指出的局限性。最有效的过滤器去除了低于10分钟等效能量的预测值，显著提高了性能。值得注意的是，引入的几种基于物理知识的过滤器很少被触发，这表明基线模型已经满足了一些基本的物理约束，并隐含地从提取的特征中学习了关键的物理关系。尽管基于物理知识的过滤器提高了物理上的合理性并大幅降低了MAE（平均绝对误差），但它们作为后处理约束起作用，而不是嵌入到学习过程中。因此，在训练期间模型不会因为产生物理上不可能的输出而受到惩罚。例如，通过基于物理知识的损失函数将物理约束更深层次地融入训练过程并非直接支持，这需要采用更加灵活和全面的建模方法，无论是从基本建模还是通过大规模的数据驱动神经网络来实现。研究基于物理知识的训练方法是否能够进一步减少物理上不可能的预测是未来工作的一个有趣方向。不过，后处理过滤器确实为基于简单物理规律的约束提供了一个实用且有效的解决方案，并且应该注意的是，除了“移除孤立短时间事件”约束（这需要知道相邻时间步的信息）外，所有过滤器都可以在实时应用中使用。

4.2 框架的应用和未来研究
该框架被设计为一个三步流程，原因有几点：首先，每个步骤都解决了单独在以往研究中已经探讨过的问题，但这些步骤以前从未被组合成一个完整的流程。这种结构使得每个步骤可以独立用于不同的应用，同时还可以研究不同步骤的信息如何影响其他步骤的结果。结果表明，将第1步估算的充电容量作为特征能够改善第2步中的充电事件检测，并有助于第3步中的预测约束，特别是对于没有电动汽车充电器的家庭。然而，将第2步的结果作为特征纳入第3步并没有提高性能，这可能是由于误分类充电事件导致的误差传播。每个步骤本身也有独特的应用潜力：第1步可用于识别电网规划中的电动汽车充电器存在情况、构建数据库分类和缓解峰值负荷。第2步支持充电事件检测，可以用于客户提示（例如，告知他们电价和峰值负荷信息，鼓励他们推迟充电）。第3步能够将电动汽车充电负荷从家庭总电力使用量中分离出来。这可以用来分析充电如何影响他们的电费和高峰时段价格，并可用于估算与电动汽车充电相关的需求侧灵活性潜力。还应该注意的是，如果第3步提供了完整的细分输出，就可以推断出充电事件。另一方面，实际上可能只有被分类为有电动汽车充电器的家庭才会进行细分处理，也许只针对被分类为充电事件的时间段。此外，三步框架通过将问题功能性地分解为可以在将来通过子电表系统进行物理验证和确认的任务，从而为过程带来了可解释性和透明度。端到端的分节方法在某些情况下可能会表现更好，但所提出的方法为未来的研究和应用提供了有希望的方向和解释性。目前这种应用的性能足以对充电的能源使用量和潜在的需求侧灵活性进行一些估算，但它还不足以用于现实世界应用中的充电控制。在实际应用中部署该框架以制定控制策略需要额外的验证数据和重新训练或迁移学习以适应模型。还需要持续监控以确保可靠的性能。一旦有了更多数据，未来的工作应该进一步探索这一点。为了考虑智能充电的影响，在第2步和第3步中包含电价特征也可能是有益的，因为这些特征可能与智能充电行为相关。此外，未来的研究应该考虑其他国家的家庭，包括那些使用冷却系统的家庭和其他建筑类型的家庭，并可以研究在细分步骤中使用带有基于物理知识损失函数的灰盒模型的效果。

5. 结论
本文提出了一个基于物理知识的、数据驱动的三步框架，用于从家庭智能电表数据中提取电动汽车充电信息，并在一个挪威案例研究中进行了演示，包括以下步骤：（1）估算电动汽车充电器容量；（2）分类充电事件（开启/关闭）；（3）从家庭智能电表的逐小时数据中估算电动汽车充电的电力使用量。由于结合智能电表测量数据和电动汽车充电记录的训练数据集有限，该框架是在一个半合成数据集上训练的，这个数据集由296个家庭的真实智能电表数据与挪威82个住宅充电器的充电数据组合而成。
- 在第1步中，家庭充电容量的识别准确率为93%（在测试集上）。在第2步中，充电事件的检测召回率为81%，F1分数为0.84。在第3步中，电动汽车充电的逐小时电力使用量的估计R2值为0.80–0.86，NMAE（噪声平均绝对误差）为0.005–0.006。一个基于物理知识的后处理过滤器通过消除物理上不可能的预测进一步改善了结果。
- 该工作的一个主要贡献是应用了旨在捕捉住宅智能电表数据中通常与电加热设备和电动汽车充电相关的模式的特征。结果表明，捕捉电力使用量峰值和突然增加的特征对于识别电动汽车充电非常重要，即使是在使用电加热的家庭中也是如此。第2步和第3步中最高的性能是通过纳入未来时间步的特征实现的，这使得它们适用于离线应用。然而，仅基于过去和当前时间步的模型仍然产生了可接受的结果，表明该框架也支持实时应用。
- 随着智能充电策略和峰值负荷定价的普及，在第2步和第3步中包含电价特征，结合带有相应电动汽车充电测量的真实世界智能电表训练集，可能会在未来工作中进一步提高性能。未来的研究应包括使用完全标记的真实世界数据集验证该方法，并测试其在不同建筑类型、地理区域和可能的更高分辨率电表数据下的适用性。

作者贡献声明
Synne Krekling Lien：写作——审阅与编辑、撰写初稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。
Lasya Priya Kotu：写作——审阅与编辑、撰写初稿、可视化、验证、软件、方法论、调查、形式分析。
?se Lekang S?rensen：写作——审阅与编辑、撰写初稿、项目管理工作、方法论、形式分析、数据整理。
Jayaprakash Rajasekharan：写作——审阅与编辑、监督、方法论。

关于写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT4o和5.2来进行拼写/语法检查，并接收了一些段落/句子的改写建议，以提高语言表达和可读性。使用这些工具后，作者根据需要审查和编辑了内容，并对出版物的内容负完全责任。