面向公共电动汽车充电会话充电故障与异常终止事件的插入时刻（Plug-in-Time）机器学习分类与风险排序研究

《World Electric Vehicle Journal》：Machine Learning for Plug-in-Time Classification of Charging Faults and Abnormal Termination Events in Public Electric-Vehicle Charging Sessions

　　

公共充电运营商通常只能在充电会话终止之后识别异常的充电结果，这制约了主动性维护能力并降低了服务可靠性。该研究构建了一条仅使用充电会话开始时刻可获得信息的插入时刻（plug-in-time，即插枪时刻）机器学习流程。分析基于中国嘉兴92个充电桩记录的441,077次公共充电会话，共使用44项日历、气象、电价、位置、用户历史与充电桩历史特征。八种分类器主要以滚动起点时间序验证（rolling-origin chronological validation，按时间先后滚动划分训练集与测试集的验证设计）进行评估。HistGradientBoosting在2021年四个测试季度上取得0.598的平均PR-AUC（精确率-召回率曲线下面积）与0.819的ROC-AUC（受试者工作特征曲线下面积）。在更严格的折内（fold-local）重复交叉验证审计中——验证集结果不参与更新用户或充电桩历史特征——XGBoost以0.583的平均PR-AUC排名第一。充电桩近期异常历史是主导预测因子，但仅使用单一充电桩历史特征的基线模型取得0.511的合并PR-AUC，而完整HistGradientBoosting流程为0.604。将风险最高的1%会话标记为告警，可实现98.4%的精确率与5.3%的召回率；分季度精确率介于95.7%至99.5%。基于前一季度的滞后保序重校准（lagged isotonic recalibration，以单调保序回归将原始分数映射为概率）将期望校准误差降至0.016–0.021（F2–F4季度）。上述结果支持容量受限条件下的监测与维护分诊，而非穷尽式故障检测。

**研究背景、研究内容与意义**

公共电动汽车充电基础设施的价值不仅取决于地理覆盖、充电速度与价格，还取决于单次充电会话能否可靠完成；异常终止会带来驾驶员不便、削弱公众对公共充电服务的信心，并增加运营商的维护负担。已有机器学习故障诊断研究多聚焦电池与动力总成，依赖电压、电流、温度、振动等传感测量识别物理故障，而这些信息在车辆插枪瞬间对充电网络运营商通常不可得。因此，研究人员把问题重新界定为"插入时刻"的二分类任务：仅用会话开始即已存在的信息预测其最终以正常还是异常方式终止，并明确排除交付电量、充电时长、支付完成、结束时间戳与记录的结束原因等事后字段。该框架与既有工作的区别在于时间与操作层面——在充电过程展开之前预测个体会话的最终结果，且历史特征严格由更早会话因果计算。其意义在于把公共充电设施由事后纠正、定期检修推进到预测性维护（依据运行证据在故障造成服务中断前识别升高风险，以优先分配有限维护资源）。基于441,077次真实运营会话，研究量化了插入时刻运行数据能否支撑风险优先级排序，而非诊断每一故障的物理机理。

**主要关键技术方法**

研究人员以中国嘉兴3座公共充电站、92个充电桩、2019年12月31日至2021年12月31日的441,077次会话为样本队列，构建日历、气象、分时电价、位置及用户与充电桩因果历史共44项插入时刻特征，标签由15类结束原因归并为正常与充电桩侧、电动汽车侧、其他、系统4类异常（全样本异常率18.6%）。模型层面比较逻辑回归、线性SVM、MLP（多层感知机）、RF（随机森林）、ExtraTrees及HistGradientBoosting、LightGBM、XGBoost共八种表格分类器；主评估为2021年四个季度的滚动起点时间序验证，辅以折内重建历史的5折×3种子分层重复交叉验证审计，并开展特征组消融、类别不平衡策略、超参与训练窗敏感性、随机种子、留一区域迁移、滞后概率校准、告警预算与故障族置信门控分析。

**研究结果**

3.1 时间序验证下的对比性能：HistGradientBoosting平均PR-AUC为0.5982、ROC-AUC为0.8193，但其相对LightGBM的PR-AUC优势仅0.0069，四个独立时间测试期不足以证明其为统计学上稳健的普适优胜模型；合并曲线显示领先模型在低召回区保持高精确率；四个模型在第四季度均出现性能下滑。

3.2 重复交叉验证与统计比较：在验证结果不进入任何历史特征的严格审计下，XGBoost以0.5826居首，HistGradientBoosting退至第4位，排序反转说明模型排名取决于评估是否保留部署时间边界；Nadeau-Bengio校正重采样t检验显示XGBoost较LightGBM高0.0027 PR-AUC（校正p = 0.0115），仅作支撑性结论。

3.3 参照时间模型的支撑证据：特征组消融表明，去除充电桩历史使PR-AUC下降0.187，远超用户历史（0.023）、气象（0.011）及位置、电价、日历特征；类别不平衡策略间PR-AUC差异小于0.005，SMOTE（合成少数类过采样技术）无运营收益，不加权训练Brier分数最优；迭代数超过100、学习率0.02–0.15、6至21个月训练窗的结果均稳定；F3折十次随机种子PR-AUC介于0.6629–0.6696（标准差0.0023）；留一区域评估ROC-AUC为0.7691–0.8201；固定2020年训练的模型在2021年1–9月ROC-AUC约0.79–0.84，10–12月下降，同期月度异常率由13.7%升至22.9%，支持按季度重训；滞后一季度保序校准使期望校准误差由0.164–0.239降至0.016–0.021（F2–F4）。

3.4 解释、部署与故障族分诊：置换重要度分析指向前20次会话异常率p_{ab_last20}为主导预测因子，偏依赖曲线呈单调——近期异常历史越多风险越高、用户既往成功会话越多风险越低；1%告警预算的精确率为98.4%、召回率5.3%，5%预算下为86.8%与23.5%；三族分诊中RF宏F1最高（0.5996）但跨类混淆显著；单核CPU对约25,000次会话打分耗时不足1.2 s，插件式打分在工程上可行。

3.5 稳健性与部署审计：单特征p_{ab_last20}基线合并PR-AUC为0.5108、ROC-AUC为0.7610，完整流程为0.6042与0.8188，1%预算下两者精确率几乎相同（97.8%对98.4%），而预算扩大时增益显现（5%预算精确率80.8%→86.8%，10%预算62.7%→70.6%）；在已有≥20次会话且p_{ab_last20}=0、末次会话正常的48,413次"洁净历史"会话中（剩余异常率4.94%），模型仍保持ROC-AUC约0.739、PR-AUC 0.155，表明存在超越慢性健康监控的事件级排序信号；专训充电桩侧故障模型ROC-AUC为0.7748、PR-AUC为0.3027，1%风险组精确率约61.5%（约6.9倍提升）；1%预算的季度精确率稳定于95.7%–99.5%；秀洲区域迁移劣化主要来自运行历史而非显式区域哑变量（去除位置指示反而使ROC-AUC升至0.7726，去除充电桩历史降至0.6959）；0.90置信门控使分诊覆盖9.14%的异常会话、总体准确率87.34%、宏F1 0.842、充电桩侧精确率94.13%，0.95门控下覆盖降至4.66%而精确率升至98.66%；对"用户停止充电"标签的敏感性审计显示，该类会话平均风险0.324高于其他操作正常会话的0.290、低于记录异常的0.645，且更多落入高风险尾部，与潜在故障兼容但不构成证明。

**讨论与结论**

讨论部分指出，核心结论是异常充电终止可在充电开始前被有效但不完全地区分排序；HistGradientBoosting与XGBoost的排名反转可由非平稳性解释——打乱折叠混合了早晚运行状态，而滚动起点验证测试对后续会话的外推能力，面向部署的模型选择仍应以时间序性能为主证据。充电桩近期历史承载大部分预测信号，但完整流程相对p_{ab_last20}看板仍有可测增益，故模型应被定位为透明充电桩健康看板之上的优先级层，而非资产监控的替代品；1%告警预算刻意高选择性，会漏检多数异常终止，运营商应依据检修成本、预期避免的停机与驾驶员延误以及干预有效性选择容量；由于缺乏验证过的成本输入，研究只报告性能前沿而非净现值最优策略。置信门控分诊仅对少量高置信子集支持专用派单，0.90为该研究设定的起点阈值而非普适值。此外，2021年内性能漂移支持按季度重训，校准应采用滞后方案且在同一时段标签成熟前更新，在此之前原始分数仅作排序分数使用。局限包括：数据来自单一城市与单一运营商，留一区域测试不能证明跨城市泛化；建模矩阵缺少充电桩拓扑、制造商、固件版本、安装日期、维护历史、部件更换与累计电量吞吐等资产台账变量，故所得PR-AUC不应被视为插入时刻预测的固有上限；结束原因是运营标签而非物理故障裁定；重复交叉验证为次要且基于已披露的40%子样本。结论部分翻译如下：该研究评估了能否在插枪时刻仅凭会话开始时可获得的信息对公共电动汽车充电异常终止进行排序；基于92个充电桩的441,077次会话，研究构建了44项插入时刻特征并比较八种表格分类器；2021年四个时间序测试季度上HistGradientBoosting取得平均ROC-AUC 0.8193与PR-AUC 0.5982，但其相对LightGBM的优势较小且未被宣称为统计决定性结论；更严格的折内重复交叉验证审计中XGBoost以平均PR-AUC 0.5826居首；充电桩近期异常历史为主导特征，而完整流程将合并PR-AUC由单特征p_{ab_last20}基线的0.5108提升至0.6042；在具备至少20次洁净近期会话且末次结果正常的充电桩上，模型在4.94%基率下仍保持约0.739的合并ROC-AUC与0.155的PR-AUC，表明存在超出慢性充电桩健康监控的残余事件级信号；专用充电桩侧模型取得合并ROC-AUC 0.7748与PR-AUC 0.3027；风险最高1%的会话带来98.4%精确率但仅5.3%召回率，分季度精确率为95.7%–99.5%，故该框架最宜解释为容量受限的高置信筛查而非穷尽式故障检测；滞前一季度的保序重校准在无同季度前视的条件下降低了校准误差；置信门控分诊在0.90阈值下实现94.1%的充电桩侧精确率并覆盖9.1%的异常会话。上述结果支持针对性的远程诊断、检修与维护优先化，但在广泛业务部署前仍需外部验证、更丰富的资产元数据、标签裁定与实证成本建模；该方法不诊断每一次故障的物理机理，不能替代充电桩遥测、技师诊断与资产管理系统，其贡献在于一个利用普遍可得的交易与历史信息的部署时刻风险排序层。