《Smart Energy》：Smarter electric vehicle charging from Open Charge Point Protocol data: Reducing grid peaks and energy costs with tariff-aware scheduling
编辑推荐：
本研究利用真实的开放充电点协议(OCPP)充电数据实现智能电动汽车充电管理。该框架集成了负荷预测、异常检测和费率感知调度，在馈线约束下减少了电网峰值和电力成本。方法采用轻量级、可解释的模型，适用于实时部署，并基于四年多站点运营充电数据进行了验证。
本研究利用真实的开放充电点协议(OCPP)充电数据实现智能电动汽车充电管理。该框架集成了负荷预测、异常检测和费率感知调度，在馈线约束下减少了电网峰值和电力成本。方法采用轻量级、可解释的模型，适用于实时部署，并基于四年多站点运营充电数据进行了验证。
随着电动汽车的快速普及，充电负荷的集中性给配电网带来了高峰需求、馈线拥塞和运营成本上升等挑战。尽管多数商用充电设施已采用开放充电点协议(OCPP)持续记录充电会话和计量数据，但这些数据很少被用于日常充电管理决策。现有研究或独立地研究负荷预测、异常检测与充电调度，且多依赖模拟数据集或复杂模型，难以在实际环境中部署。为此，研究人员提出了一种基于真实OCPP遥测数据的可部署框架，将短期负荷预测、异常检测与费率感知调度统一于同一操作流程。
该研究利用来自某OCPP兼容的多站点住宅充电网络四年（2020–2024年每年3–6月）的运营数据，评估了三种轻量级预测模型和三种无求解器调度策略。结果显示，Ridge回归结合傅里叶季节项在预测精度上优于Naive和Weekly Mean基线；所提出的Cost+Peak启发式调度在馈线约束下，相较于比例公平(PF)策略，峰值负荷降低35.3%，能源成本降低28.8%，同时满足总能量交付要求。该框架仅使用标准OCPP字段，计算开销极低，支持实时部署，为智能充电系统提供了实用的数据驱动方案。相关研究成果发表于《Smart Energy》。
主要技术方法：研究数据来源于真实的OCPP兼容住宅充电站点，包含6个22kW交流充电桩，馈线容量80kW，数据时间跨度为2020–2024年每年3月至6月，时间分辨率为1小时。关键方法包括：（1）数据预处理与特征工程：对原始充电会话进行清洗、去重、小时聚合，并提取时间特征（小时、星期、月份、周末指示）、历史特征（7小时和30小时滚动平均）以及傅里叶正弦/余弦季节项。（2）短期负荷预测：采用三个模型——Naive基线、星期均值模型、Ridge回归+傅里叶季节项，以平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)评估。（3）异常检测：利用无监督Isolation Forest识别统计异常充电事件。（4）费率感知调度：比较Greedy-ASAP、比例公平(PF)和Cost+Peak启发式三种策略，在满足馈线容量和最小能量交付约束下优化充电功率分配。所有算法均为无求解器、低复杂度，可直接部署于现有OCPP充电基础设施。
4.1 数据集特征与统计结构：通过对真实OCPP充电会话数据的分析，研究人员重建了平均小时充电负荷曲线，发现明显的日周期性，峰值出现在17:00–19:00。月充电活动显示在观测期内具有一致的月度模式。馈线负荷直方图呈重尾分布，表明少数高需求时段主导电网压力。能量和充电会话次数在13:00–17:00同步达到峰值，忙时矩阵进一步确认了需求集中于可预测的时间窗口，为日前调度提供了基础。
4.2 预测性能：在评价指标上，Ridge+Fourier模型取得了最低的MAE（47.499 kWh）、RMSE（57.943 kWh）和MAPE（79.255%），优于Weekly Mean（48.781, 59.413, 89.831）和Naive（69.403, 81.939, 105.610）。每日和每小时的预测对比图显示该模型能够跟踪真实能量并平滑波动，防止调度器对噪声过度反应。
4.3 费率感知调度性能：在预定义的峰谷分时电价(ToU)下，三种调度策略均交付了全部能量（84.10 kWh）。Greedy策略导致峰值较高（79.8），PF策略峰值58.4，而Cost+Peak策略将充电需求转移至低价时段，峰值降至37.8，相对于PF降低35.3%，成本从28.5降至20.3，降低28.8%。这证明将预测与费率感知调度结合可同时实现削峰和降本。
4.4 完美预测灵敏度分析：为评估预测误差的影响，研究人员使用真实未来需求作为完美预测输入。与基于预报的调度相比，完美预测场景的峰值削减从35.0%略升至37.2%，成本削减从28.0%升至29.4%，能量交付均为100%。结果表明，所提出的预测框架已经足够准确，保留了大部分调度收益。
4.5 操作意义：Isolation Forest模型将约2.0%的充电观测标记为异常，与真实运营场景中异常事件低频的预期一致。该无监督方法无需人工标注即可识别异常行为，提升了充电管理框架的可靠性。
讨论部分指出，将预测、异常检测与调度集成于一个操作流程，能够显著提升充电网络管理性能。与单独使用任一模块相比，集成系统可同时受益于预测的先见性、异常检测的可靠性和调度的经济性。讨论还指出了本研究的局限性：小时级调度粒度可能忽略分钟级需求波动；预测与调度模块独立优化而非联合优化。未来工作包括：采用更高分辨率OCPP数据，进行现场试点部署，扩展到多站点协调，利用强化学习自适应调整峰值上限参数，以及集成动态电价预测、考虑物理电网模型的网络物理能源管理等。
翻译研究结论部分：本文提出了一个实用的数据驱动框架，用于管理多站点电动汽车充电，该框架基于标准开放充电点协议(OCPP)遥测数据。通过将轻量级需求预测与费率感知和电网约束调度相结合，所提出的方法表明，在不依赖复杂学习架构或重型优化求解器的情况下，可以显著改善电力系统性能和运营成本。利用来自真实住宅充电站的多年度OCPP数据，Ridge+Fourier预测模型比简单的持久性模型和每周均值基线更准确地捕获了充电需求的主要日和周结构。在三种调度策略中，所提出的Cost+Peak启发式方法通过明确纳入分时电价和峰值限制，实现了可观的运营效益。结果表明，相对于比例公平方法，这种简单的无求解器方法将馈线峰值负荷降低了超过35%，能源成本降低了近30%，同时交付了全部所需能量并保持了用户间的可比公平性。重要的是，框架的所有组成部分都直接运行在标准OCPP字段（如时间戳、计量值和交付能量）上，确保与现有充电基础设施兼容，无需硬件修改或专有系统集成。透明预测模型和简单调度规则的使用也使系统在真实运营环境中更易于理解、验证和维护。总体而言，该研究证明了OCPP使能充电网络中已有的数据可以转化为可操作的智能，支持电网友好、成本高效且可扩展的电动汽车充电。
