企业充电 hubs 行为建模：一种新型聚类方法的引入

《Energy and AI》：Behavioral modeling of corporate charging hubs introducing a novel clustering method

　　

随着商业车队从燃燃内燃机车辆向电动汽车（Electric Vehicles, EVs）转型，企业电网连接点的充电需求日益增长，导致峰值负荷和电力成本上升。同时，工作场所的电动汽车在提高可再生能源自发自用率、需求响应（Demand-Response）项目和辅助电网服务方面具有巨大潜力。智能能源管理系统（Energy Management Systems, EMSs）的实施为利用这些潜力并同时应对和缓解电动汽车充电相关弊端提供了机会。算法设计需要对底层充电行为有全面理解。研究人员通过评估419个交流（AC）充电和50个直流（DC）充电企业充电枢纽（Corporate Charging Hubs, CCHs）的充电详细记录（Charge Detail Records, CDRs），并将其分割为具有代表性的行为簇来解决这一问题。为此，研究人员引入了一种基于树结构的时间序列聚类方法，采用动态时间规整（Dynamic Time Warping, DTW）。研究共识别出七个具有代表性的交流充电簇，这些簇在周末充电活动模式、日功率峰值和灵活性潜力方面各具特色。在后续步骤中，研究人员训练了一个基于条件、物理一致性的高斯混合模型（Gaussian Mixture Model, GMM）生成器模型，以捕捉底层充电行为模式之间的相互依存关系。训练后的生成器能够有效模拟CDR三个维度的原始数据分布：开始时间、输送能量和会话持续时间。这通过生成数据与原始数据之间的高度一致性得到证明，具体表现为所有三个维度的Kolmogorov–Smirnov（KS）检验D值均较低（0.020-0.113）。该生成器的应用有助于在EMS设计背景下模拟充电行为，并有助于为大量代表性客户和用户群体加速智能充电策略的开发。

本研究聚焦于企业充电枢纽（Corporate Charging Hubs, CCHs）的充电行为建模，发表期刊为《Energy",
"meta_html": {
"title": "企业充电hubs行为建模：一种新型聚类方法的引入",
"keywords": "企业充电枢纽|动态时间规整|高斯混合模型|时间序列聚类|充电行为聚类|充电详细记录生成",
"abstract": "随着商业车队从燃燃内燃机车辆向电动汽车（Electric Vehicles, EVs）转型，企业电网连接点的充电需求日益增长，导致峰值负荷和电力成本上升。同时，工作场所的电动汽车在提高可再生能源自发自用率、需求响应（Demand-Response）项目和辅助电网服务方面具有巨大潜力。智能能源管理系统（Energy Management Systems, EMSs）的实施为利用这些潜力并同时应对和缓解电动汽车充电相关弊端提供了机会。算法设计需要对底层充电行为有全面理解。研究人员通过评估419个交流（AC）充电和50个直流（DC）充电企业充电枢纽（Corporate Charging Hubs, CCHs）的充电详细记录（Charge Detail Records, CDRs），并将其分割为具有代表性的行为簇来解决这一问题。为此，研究人员引入了一种基于树结构的时间序列聚类方法，采用动态时间规整（Dynamic Time Warping, DTW）。研究共识别出七个具有代表性的交流充电簇，这些簇在周末充电活动模式、日功率峰值和灵活性潜力方面各具特色。在后续步骤中，研究人员训练了一个基于条件、物理一致性的高斯混合模型（Gaussian Mixture Model, GMM）生成器模型，以捕捉底层充电行为模式之间的相互依存关系。训练后的生成器能够有效模拟CDR三个维度的原始数据分布：开始时间、输送能量和会话持续时间。这通过生成数据与原始数据之间的高度一致性得到证明，具体表现为所有三个维度的Kolmogorov–Smirnov（KS）检验D值均较低（0.020-0.113）。该生成器的应用有助于在EMS设计背景下模拟充电行为，并有助于为大量代表性客户和用户群体加速智能充电策略的开发。",
"main_content": "本研究聚焦于企业充电枢纽（Corporate Charging Hubscharg）
};

docElement.innerHTML = `

?? 论文分析结果

Fabian Breer 等，《Energy and AI》

论文标题（翻译）

${data.title}

关键词

${data.keywords}

摘要翻译

${data.abstract}

R最低（18%-19%），反映其公共属性。灵活性指数F均值集群间差异显著（0.24-0.56），CA3和CA4最高；平均停车时长3-16小时不等。CDR周数N_CDR,w与车辆数N_car3m呈中等线性相关（R²为0.16-0.69），该关系可为新建CCH的EMS设计提供参数预估依据。聚类收敛性测试表明，平均需5.8周生成数据即可被聚类模型正确归类，但CA1和CB1收敛较慢，CB1在低CDR数场景下甚至无法收敛，与其统计验证中偏差最大的表现一致。

在生成器模型的验证方面，统计验证显示开始时间的拟合最优（D值0.021-0.072，中位偏移0%-3%）；能量分布拟合良好（D值0.014-0.036，中位偏移约0%），但高能量分位数（>50kWh）存在高估倾向，因该区间训练数据稀少；持续时间拟合相对较弱（D值0.029-0.113），存在一贯的偏高偏置（Δ_med为-1%至-23%），尤以CB1（-23%）和CB2（-14%）为甚，该偏置源于可行性截断约束的物理必然性。与独立边缘分布基线相比，条件依赖建模显著改善了能量和持续时间的小时条件中位数再现。收敛性测试表明多数簇在3周内可达正确分类，但CA3需28周，CA1和CB1的部分低CDR场景无法收敛。

本研究的核心结论包括：第一，仅配置慢速充电桩的CCH中，82%存在最高峰值功率需求，凸显EMS实施的必要性；第二，CCH充电行为主要受企业内部政策而非行业属性驱动，周末活动性是区分行为模式的首要特征 Categories；第三，CA类簇灵活性更高，适用负荷转移策略，CB类簇灵活性较低且用户构成更多元，适用动态定价策略；第四，所提出的层级聚类方法和GMM生成器工具已公开发布，可有效保护原始数据隐私，为欧洲CCH行为建模填补了数据稀缺的空白。研究局限性在于：CCH识别和车队规模基于无监督代理指标估算而非地面真值；11kW默认假设对早期单相充电车辆（尤其Plug-in Hybrid Electric Vehicles, PHEVs）的灵活性存在高估；研究发现的时空模式受德国劳动制度和文化条件约束，向其他大洲推广需进行时间重校准；以及模型因样本量和过滤条件限制未能穷尽所有可能行为，实际部署中需结合现场数据重新校准。";

相关新闻