《Energy Conversion and Management-X》：Deployment-oriented evaluation of temporal and spatial forecasting approaches for electric vehicle charging demand in energy systems
编辑推荐：
准确的短期电动汽车（electric vehicle, EV）充电需求预测对于充电基础设施运营、电网管理和能源系统规划具有重要意义。本研究提出了一种面向部署且可复现的时间、空间和统一时空预测方法评估框架，用于日前EV充电需求预测。研究利用公开可用的充电会话数据
准确的短期电动汽车（electric vehicle, EV）充电需求预测对于充电基础设施运营、电网管理和能源系统规划具有重要意义。本研究提出了一种面向部署且可复现的时间、空间和统一时空预测方法评估框架，用于日前EV充电需求预测。研究利用公开可用的充电会话数据，按小时分辨率聚合至邮政编码（ZIP-code）区域，在一致的预处理流程、无泄漏验证协议和滚动原点（rolling-origin）评估框架下，对比了持续性（persistence）和自回归积分滑动平均模型（Autoregressive Integrated Moving Average, ARIMA）基线、极端梯度提升（eXtreme Gradient Boosting, XGBoost）、长短期记忆网络（Long Short-Term Memory, LSTM）、图卷积网络（Graph Convolutional Network, GCN）以及统一的GCN+LSTM架构。针对本研究所考虑的博尔德（Boulder）邮政编码数据集，时间信息提供了主导性预测信号。在滚动原点评估下，XGBoost实现了最低的均方根误差（Root Mean Squared Error, RMSE）（14.612 kWh），GCN+LSTM（14.725 kWh）和LSTM（14.841 kWh）取得了可比的性能，而纯空间GCN实现了最低的平均绝对误差（Mean Absolute Error, MAE）（8.542 kWh），但对大幅预测偏差更为敏感。日历衍生时间协变量在各模型类别中一致提升了预测精度，而将历史输入窗口扩展至24小时以上则带来的额外收益有限。尽管空间建模未持续提升平均预测精度，统一GCN+LSTM模型在评估条件下表现出略低的RMSE变异性和略低的高分位数预测误差。总体而言，研究结果凸显了可复现预处理、面向部署的评估和可控基准测试在评估EV充电基础设施和能源系统应用预测方法时的重要性。
随着电动汽车保有量的快速增长，电力需求在配电网层面正经历深刻变革，为充电基础设施运营、局部电网管理和能源规划带来新的挑战。电动汽车充电需求在时间和空间上高度可变，常常产生局部峰值，加剧馈线 congestion、增加日前调度的复杂性，并提升分布式能源资源协调的不确定性。因此，可靠的短期预测对于充电站运营、基础设施利用率优化、峰值负荷削减和能源系统规划至关重要。电动汽车充电需求既呈现周期性时间结构，又在不同充电位置或地理区域间存在空间异质性。时间模式源于日常和每周的充电规律，而空间变异则反映充电强度、出行行为和局部基础设施使用差异。这些特性推动了机器学习与深度学习方法的应用，包括LSTM等时间模型、GCN等空间图模型，以及融合两类信息的统一时空架构。然而，日益复杂的预测架构的实际价值仍难以评估。运营预测系统需在变化的需求条件下提供可靠性能，同时保持计算可行性、可复现性，并适用于重复评估或再训练。因此，模型选择不应仅考虑预测精度，还需兼顾验证设计、计算成本、时间上下文敏感性及空间信息的附加价值。
本研究发表于《Energy Conversion and Management-X》，旨在提供一种面向部署且可复现的代表性时间、空间和统一时空预测方法评估，以明确在受控实验条件下各类策略的相对实用价值。研究所用数据来自美国科罗拉多州博尔德市公开可用的充电会话数据，按小时邮政编码分辨率聚合，在一致预处理、无泄漏时序验证和滚动原点评估下，对比持续性基线、ARIMA基线、XGBoost、LSTM、GCN和GCN+LSTM模型。
为开展研究，研究人员采用了以下关键技术方法：基于公开博尔德市开放数据门户获取2018年1月1日至2023年11月30日的交易级充电记录，包含50个充电站、27个独立地址，覆盖5个邮政编码区域（80301、80302、80303、80304、80305）；将事件驱动数据聚合为小时-邮政编码级需求序列；构建功能性需求相似性图，基于皮尔逊相关系数（阈值τ=0.1）建立空间邻接矩阵并进行对称归一化；统一使用168小时（一周）历史输入窗口和24小时预测 horizon的直接多输出预测策略；采用两种互补验证协议——时序80/20 hold-out分割和包含431个预测原点的扩展窗口滚动enuiyaho滚动原点评估；评估指标包括MAE、RMSE、MBE、R2、KS统计量和KLD等；进行日历协变量消融实验、输入窗口长度敏感性分析、峰值需求稳健性分析及计算性能分析。
研究结果部分按以下结构展开：
描述性分析表明，博尔德充电数据集呈现三个结构性特征：会话级充电行为的高度异质性、聚合需求中显著的日周期性，以及不同邮政编码区域间需求幅度的系统性差异。充电时长与交付能量强相关（Pearson r=0.914），但总会话时长与能量弱相关（r=0.179），反映连接器占用与电能消耗的不一致。K-means聚类识别出两类典型短至中等充电事件和一类占约9%的长时高能量事件。日均需求在08:00左右达到峰值，峰值-谷值比范围为18.62-51.84，呈现显著空间变异。
整体预测性能显示，基于学习的预测方法持续优于朴素和经典统计基线。XGBoost实现最低滚动原点RMSE（14.612 kWh），LSTM紧随其后（14.841 kWh），纯空间GCN获最低MAE（8.542 kWh）但RMSE更高。统一GCN+LSTM保持竞争力（RMSE 14.725 kWh）。持续性基线在滚动评估中表现尚可（MAE 8.399 kWh），但单 hold-out分割下显著恶化，反映其对评估设计的敏感性。
空间异质性与时间稳定性分析揭示，ZIP code 80302预测误差最大（所有模型MAE>13 kWh，RMSE>21 kWh），而80304和80305误差较低。GCN+LSTM的RMSE标准差（4.613）和P90、P95误差略低于LSTM和GCN，表明统一架构在高误差期具有适度稳定性提升。
时间协变量影响分析表明，日历协变量在所有模型中一致提升性能。XGBoost+Calendar的MAE从8.844降至8.681 kWh，LSTM+Calendar从8.771降至8.614 kWh，GCN+LSTM+Calendar从8.789降至8.755 kWh，且滚动原点变异性降低。
峰值需求期运营稳健性分析显示，早晚高峰和极端需求条件下预测难度显著增加。XGBoost+Calendar获最低早高峰RMSE（22.708 kWh），LSTM+Calendar在P90和P95需求条件下RMSE最低。所有学习模型在极端需求期明显优于持续性基线（P95需求RMSE降低约16 kWh）。
预测 horizon行为分析表明，1小时 horizon误差最低且持续性最优；3-12小时 horizon误差最大，是学习模型改进最显著区间；24小时 horizon因日周期结构再现而误差回落。
输入窗口长度敏感性分析显示，LSTM+Calendar在L=24小时即达最低MAE（8.403 kWh），延长至168小时改善有限（8.598 kWh）；GCN+LSTM+Calendar对窗口长度几乎不敏感（变化<0.06 kWh），表明长历史序列收益递减。
计算与部署考量方面，XGBoost+Calendar训练成本最低（17.9 s），LSTM+Calendar推理延迟最低（3.8 ms），GCN+LSTM+Calendar内存占用最大（2165 MB）且参数量最高（46760）。
统计误差特征显示，持续性基线存在显著正偏差（MBE=7.425 kWh），学习模型均降至1 kWh以下；GCN+LSTM+Calendar偏差最低（0.292 kWh）。XGBoost+Calendar获最低KLD（0.625），指示最佳分布一致性。
跨模型部署权衡总结指出，持续性基线适合超短 horizon和资源受限场景；XGBoost适合计算约束环境；LSTM适合实时预测应用；GCN+LSTM适用空间协调重要场景，但复杂度高、收益 modest。
讨论部分，研究人员总结了EV充电基础设施的启示：在博尔德邮政编码聚合层级，可靠短期预测可通过相对简单的时间模型实现，无需立即采用复杂时空架构；模型选择应取决于部署优先级；简单日历协变量和短历史窗口即可有效支持运营；统一时空模型在更强空间耦合场景（如密集城市网络、站点级预测）可能更有价值，但需更多实证验证。研究局限包括单一数据集、单一邮政编码分辨率、相关性图结构简化，以及未纳入天气、电价、交通等外部变量。未来研究方向涉及多城市多分辨率验证、丰富空间表示比较、外部变量系统性评估，以及Transformer和自适应图模型等先进架构的部署导向评估。
研究结论部分翻译如下：本研究在一致预处理、物理可解释需求目标和无泄漏验证协议下，对代表性EV充电需求预测模型进行了可复现且面向部署的评估。利用小时邮政编码分辨率公开充电会话数据，比较了统计基线、机器学习模型、时间深度学习、空间图学习和统一GCN+LSTM架构。结果表明，在评估的邮政编码聚合层级，时间信息提供主导性预测信号。XGBoost在滚动原点评估下实现最低整体RMSE，LSTM方法保持高度竞争力。空间和统一时空模型产生可比的预测精度，但在所考虑的博尔德邮政编码预测设置中仅提供适度附加效益。附加分析显示，简单日历衍生时间协变量一致提升预测性能，而将历史输入窗口扩展至短期上下文以外收益有限。峰值需求和极端需求期预测误差显著增加，凸显了超越聚合精度指标评估预测模型的重要性。总体而言，研究发现表明，强时间模型和机器学习模型为短期EV充电需求预测提供了有效且部署友好的解决方案，而空间建模的价值取决于空间相互作用强度和预测环境特征。
