《Applied Sciences》：An Integrated Machine Learning Framework for EV Charging Behavior Characterization and Anomaly Detection in Public Charging Infrastructure
编辑推荐：
电动汽车（EV）普及的迅速扩张增加了对高效充电基础设施的需求，以及对理解充电行为的数据驱动方法的需球。分析充电模式并识别异常充电会话对于提高充电网络可靠性、基础设施利用率和运营效率至关重要。本研究提出了一个全面的机器学习框架，用于利用从六个充电位收集的真实世界
电动汽车（EV）普及的迅速扩张增加了对高效充电基础设施的需求，以及对理解充电行为的数据驱动方法的需球。分析充电模式并识别异常充电会话对于提高充电网络可靠性、基础设施利用率和运营效率至关重要。本研究提出了一个全面的机器学习框架，用于利用从六个充电位收集的真实世界充电会话数据进行EV充电行为分析和异常检测。通过特征工程过程提取了四个充电行为指标，即能耗（Usage）、充电时长（Duration）、平均充电输出功率（Average Output）和能耗比（Energy Consumption Ratio, ECR）。采用K-Means聚类识别不同的用户行为组，同时利用主成分分析（Principal Component Analysis, PCA）可视化聚类可分性。随后应用隔离森林（Isolation Forest）检测异常充电会话并调查异常充电行为模式。使用方差分析（Analysis of Variance, ANOVA）进行统计验证，并进行皮尔逊（Pearson）相关性分析以检查充电特征与异常发生之间的关系。结果识别出代表适度用户、常规用户、低效用户和大功率用户的四个不同充电行为簇。聚类验证获得轮廓系数（silhouette score）为0.6086，而PCA使用两个主成分保留了89.8%的总方差。异常检测分析显示低效充电行为表现出最高的异常发生率，而常规用户表现出高度一致的充电模式。分析表明平均充电输出功率和ECR是对异常识别贡献最大的变量。ANOVA结果证实所有识别的簇之间存在统计学显著差异（p < 0.001），而相关性分析证明充电功率与充电效率之间存在强正相关关系（r = 0.95）。异常检测框架实现了80.0%的准确率、精确率、召回率和F1分数。所提出的框架为EV充电行为表征、异常检测和充电基础设施评估提供了一种全面的方法。研究结果可支持充电网络运营商提高充电效率、识别异常充电活动并实现EV充电系统的数据驱动管理。
随着全球向可持续交通转型，电动汽车（EV）的采用加速，充电基础设施的可用性、可靠性和效率成为影响用户满意度和大规模部署的关键因素。公共充电网络的快速扩张产生了海量充电会话数据，但同时也带来了充电器可靠性、低效充电行为和异常充电事件等运营挑战。现有研究往往独立关注充电行为聚类或异常检测，缺乏将聚类、异常检测、统计验证及基础设施利用率分析整合在统一框架内的探索，且用户充电行为组与异常发生之间的关系尚未被充分挖掘。为此，研究人员开展了一项集成机器学习框架的研究，利用真实世界的充电会话数据对EV充电行为进行表征与异常检测。该研究得出了包括识别四类用户群体、验证聚类显著性、明确异常高发群体及关键影响变量等结论，对充电网络运营商优化管理具有重要意义。该论文发表在《Applied Sciences》。
研究人员主要采用的关键技术方法包括：数据集来源于马来西亚ChargeSini的六个公共充电位在2020年至2024年间收集的1795条充电会话记录；通过特征工程提取能耗（Usage_kWh）、充电时长（Duration_hr）、平均充电输出功率（Average_Output_kW）及能耗比（ECR）四项指标并进行Min-Max标准化；采用K-Means聚类结合肘部法则（Elbow Method）与轮廓分析确定最优簇数，利用主成分分析（PCA）降维可视化；应用隔离森林（Isolation Forest）以0.03污染率（contamination rate）检测异常；使用单因素方差分析（ANOVA）验证簇间差异显著性，并进行皮尔逊（Pearson）相关性分析探讨特征间关系及与异常标签的关联。
研究结果
4.1. Dataset Characteristics and Charging Infrastructure Overview
通过对1795条有效会话的描述性统计分析，发现能耗均值为29.99 kWh，时长均值4.36 h且离散度大，平均功率8.13 kW，ECR变异显著。充电位利用率不均，BAY 02与BAY 03会话量占近半，BAY 06仅5次，表明存在异质性充电行为与基础设施利用差异。
4.2. Identification of EV Charging Behavior Patterns
K-Means确定最优簇数为4，轮廓系数0.6086，PCA前两主成分保留89.8%方差并显示簇分离良好。识别出四类簇：C0适度用户（低能耗低功率）、C1常规用户（平衡高效，占55.71%）、C2低效用户（极长时长46.72 h伴低能耗低ECR，占1.39%）、C3大功率用户（高能耗高功率）。比较实验显示K-Means在轮廓系数、戴维斯堡丁指数（Davies–Bouldin Index）及卡林斯基哈拉巴斯指数（Calinski–Harabasz Index）上优于DBSCAN与层次聚类。
4.5. Charging Bay Utilization Across User Behavior Clusters
不同充电位用户构成差异显著，BAY 01与03以适度用户为主，BAY 04与05以常规用户为主，极端行为簇在各点位占比均低于5%。
4.6. Anomaly Detection Analysis
隔离森林检测显示C1常规用户无异常，C0仅极少异常，C2低效用户100%为异常，C3大功率用户约半数异常。特征重要性分析表明平均充电输出功率（47.6%）与ECR（38.9%）是异常识别最主要影响因素，而非单纯能耗或时长。
4.7. Statistical Validation of User Behavior Clusters
ANOVA证实所有簇间差异显著（p < 0.001），ECR的F值最高（5318.14），其次为平均输出功率（5182.77），表明充电效率与功率交付是区分行为的最具判别力特征。
4.8. Correlation Analysis of Charging Features
皮尔逊分析显示平均输出功率与ECR强正相关（r = 0.95），时长与异常标签相关性最强（r = 0.69），表明异常行为更关联时长而非总能耗。
讨论与结论翻译
讨论部分指出，聚类结果揭示了EV用户异质性，C2低效簇可能源于充满后长时间占位、设备故障或通信中断，应视为需调查的异常而非单纯用户行为。异常检测中平均功率与ECR的关键作用表明监控效率优于仅看能耗。研究发现充电时长可作为低效预警指标，功率与效率强相关提示稳定功率交付有助提升性能。框架局限性在于单站点小样本及未含时间特征与硬件详情，未来需多站点验证及融合时序与深度学习模型。
结论部分表明，该研究提出的集成框架通过提取四项指标、识别四类行为组（轮廓系数0.6086，PCA保留89.8%方差），有效表征了充电行为。异常分析揭示低效用户异常率最高且全异常，常规用户无异常，平均输出功率与ECR为关键变量。ANOVA验证簇间显著差异（p < 0.001），相关分析示功率与效率强正相关（r = 0.95），框架分类性能达80.0%。该框架支持运营商提升效率、优化规划与数据驱动决策，为公共EV充电基础设施分析奠定实用基础。
