基于数据驱动技术的电动汽车用户行为预测

《World Electric Vehicle Journal》：Electric Vehicle User Behavior Forecasting via Data-Driven Techniques

　　

基于数据驱动技术的电动汽车用户行为预测。电动汽车（Electric Vehicle, EV）充电行为在价格敏感性、时段偏好及周末充电习惯等方面表现出显著的异质性（Heterogeneity），为充电需求预测与服务管理带来挑战。为应对该问题，本研究提出一种三变量充电响应框架，综合考虑电价、时段偏好及周末偏好。利用某公共充电平台的真实充电订单数据，通过非线性最小二乘法（Nonlinear Least Squares, NLS）估计四项行为参数：基准充电需求（Q₀）、价格敏感性（α）、时段偏好（β）及周末偏好（γ）。基于提取的参数向量，采用K-means聚类识别出五类代表性用户群体：通勤主导型（Commuting-Dominant）、弹性节能型（Elastic Energy-Saving）、周末切换型（Weekend-Switching）、夜间偏好型（Night-Preferential）及折扣敏感型（Discount-Sensitive）。结果揭示了用户间显著的行为异质性。为验证所提框架的有效性，研究人员开展了参数可解释性分析与基准对比实验。与最优基准模型相比，该方法将测试集均方根误差（RMSE）从11.5 kWh降至8.3 kWh（降低27.8%），测试集平均绝对百分比误差（MAPE）从25.3%降至18.7%（降低26.1%），测试集决定系数（R²）从0.70提升至0.80。所提框架为电动汽车充电行为建模与用户分群提供了可解释的方法论，为差异化定价、充电需求管理及智能充电服务运营提供了实践支撑。

本研究旨在解决电动汽车充电行为建模与需求预测中的关键科学问题。随着全球气候变化与能源危机日益严峻，实现能源转型与碳排放双控已成为国际共识，电动汽车作为交通电气化的核心支撑，不仅能有效降低交通运输领域碳排放，还为城市可持续发展提供关键路径。然而，近年来电动汽车保有量的快速增长导致用户在充电时间、频率及价格敏感性方面的偏好呈现显著差异，基于平均群体行为制定的充电站布局策略产生显著估计偏差，充电站运营商对用户行为建模与精准预测的需求日益迫切。如何构建兼具高可解释性与强预测能力的用户行为模型，成为提升充电服务个性化管理水平与智能化决策程度的重要议题。

现有研究已提出多种电动汽车充电行为分析方法：部分研究采用高维聚类识别电动出租车运营充电模式，亦有研究通过模糊C均值聚类与特征聚合构建校园场景用户画像，或采用高斯混合模型与K-means聚类组合进行群体需求建模，并应用聚类技术识别时序负荷模式以生成群体级充电特征。此外，有研究基于5G系统数据开发实时角色感知行为模型，捕捉私家车与网约车等动态类别差异，以及提出可解释机器学习框架预测充电站插电状态与功率需求。尽管既有研究已提出多种充电行为响应模型，但大多仅考虑单一维度（如价格或时段），且主要集中于聚合层面建模。本研究的创新性体现在以下三个方面：构建同时包含价格敏感性（α）、时段偏好（β）及周末偏好（γ）的三变量响应函数模型，是对现有单变量或双变量模型的重要拓展；提出个体层面参数估计与无监督聚类相结合的综合框架，先通过非线性最小二乘法为每位用户提取个性化行为参数，再对参数向量（Q₀, α, β, γ）进行K-means聚类以识别五种可解释行为模式；并通过基准对比与性能指标（RMSE、MAPE、R²）提供严谨的定量验证，证明所提模型在预测准确性与行为可解释性方面的优越性。

本研究的数据来源于广东省某公共充电平台，包括订单编号、用户编号、起始时间、充电电量及费用等信息。经数据清洗后，提取单位电价（p）、起始小时（h）、周末指示变量（ω）及充电量（q）等变量，并通过时间戳标准化生成时段函数f(h)。所涉车辆主要为私人乘用纯电动汽车（Battery Electric Vehicles, BEVs），电池容量多集中于30–80 kWh，以40–60 kWh最为常见，对应中国市场主流紧凑型与中型电动汽车。单次充电量主要集中于10–50 kWh，符合部分至满充周期特征。公共充电站包含7 kW交流慢充桩与60–150 kW直流快充桩（常见120 kW），该混合充电基础设施显著影响充电时长与时段偏好。

研究所用的关键技术方法包括：第一，构建指数型价格响应函数q(p) = Q₀ × e^?α(p?1)， Pennyslvania描述用户充电意愿随电价上升而下降的特征；第二，引入时段偏好函数f(h)构建包含价格敏感性α与时段偏好系数β的双变量响应模型，其中f(h)基于三个月实际订单数据拟合，反映06:00–08:00、12:00及19:00–21:00三个峰值时段的归一化偏好；第三，引入周末指示变量ω构建三变量响应模型，γ为周末偏好系数，γ趋近1表示更强的周末充电偏好；第四，采用非线性最小二乘法对每位用户进行个体参数估计，以预测值与实际充电量残差平方和最小化为目标，结合L-M算法迭代优化，并设置参数经验范围（Q₀∈[10,80] kWh，α∈[0,5]，β∈[?1,1]，γ∈[?1,1]）；第五，对估计参数进行Z-score标准化后，采用K-means聚类，并以Calinski-Harabasz指数确定最优聚类数k=5；第六，通过参数可解释性分析和与传统基准模型（仅价格模型、仅时段模型、传统K-means基准）的对比验证模型性能。

研究结果部分，"响应参数整体分布分析"显示，Q₀主要集中于10–50 kWh，α主要分布在0–3区间，β呈双峰分布于?1和+1附近，γ近似正态分布且以0为中心，RMSE多分布于5–15 kWh，表明模型预测性能良好。通过统计用户峰值充电时段，验证了模型时段偏好机制的经验有效性，并揭示用户时间选择方面的显著异质性。

"参数相关性分析"表明，各参数整体相关性较弱，具备独立建模价值。α与β呈弱正相关，表明价格敏感用户常表现出较强的时间集中性；α与γ近乎平坦但略呈上升趋势；β与γ呈微弱正相关；Q₀与γ呈轻微负相关，表明高负荷用户周末行为更稳定。α与Q₀存在明显负相关，价格敏感用户基准负荷较低。误差分析显示，α≈0或5附近误差波动增大，Q₀与RMSE正相关，高负荷用户行为更复杂、拟合误差更高。

"响应函数三变量关系分析"通过固定Q₀=40、p=1.2、f(h)=0.7、ω=0进行模拟，结果显示α与q负相关，β与q弱正相关，γ与q负相关，三者对充电需求具有不同的调节效应。α-β二维分布曲面呈现"高左上、低右下"的清晰趋势，验证了价格敏感性抑制需求、时段偏好促进响应的作用机制。三维散点图进一步确认α的主导抑制作用及β、γ的较弱正向作用。

"聚类用户类型行为特征分析"通过K-means聚类将用户分为五类，并利用主成分分析（Principal Component Analysis, PCA）降维可视化：Type 1为通勤主导型，具有最高Q₀和较低α，集中于固定工作日时段；Type 2为弹性节能型，Q₀较低且价格和时段敏感性高；Type 3为周末切换型，工作日与周末行为差异明显；Type 4为夜间偏好型，Q₀最低但α和β较高，集中于深夜低价充电；Type 5为折扣敏感型，于折扣时段充电且弹性强。各类别在特征空间中形成相对分离的簇，聚类方法有效提取并区分了用户行为特征。时段分布曲线显示，通勤主导型呈现早晚双峰（7–9时、18–20时），弹性节能型偏好23时及非高峰时段，周末切换型具有晚间峰值及日夜双偏好，夜间偏好型集中于0–6时，折扣敏感型行为分散且于夜间及傍晚有次要峰值。

"模型验证与参数可解释性分析"包含三个子部分。"趋势一致性验证"通过加倍模拟数据分析，各类用户的平均模拟q值差异显著，与原样本模式一致，确认模型区分能力与泛化能力。"参数调整机制验证"设定价格从1.0升至1.4的变价场景，Δq与α呈明显负趋势，验证α对动态价格波动的解释力；固定p=1.2、ω=0，将起始时段从历史偏好调整至14:00，Δq与β呈轻微正斜率；固定p=1.2、h=h_past，仅变更周末指示变量，Δq绝对值随γ增大而增加，验证γ对工作日-周末行为差异的刻画能力。"代表性用户参数可解释性验证"选取不同α和β值的四名代表性用户，高价格敏感用户充电量随电价上升明显下降，低价格敏感用户充电量稳定，β值较大或较小的用户对特定时段具有明确充电偏好，预测值紧密跟随观测模式。

"定量验证与基准比较"显示，所提三变量模型测试集RMSE为8.3 kWh，MAPE为18.7%，R²为0.80；最优基准模型（仅价格模型）对应指标分别为11.5 kWh、25.3%和0.70。所提模型测试集RMSE降低约27.8%，MAPE降低26.1%，R²提升14.3%，定量证明联合建模的优越性。

讨论与结论部分，本研究提出了电动汽车用户行为建模与分类的三变量充电响应框架，综合考虑电价、时段偏好和周末偏好，为异质化充电行为提供统一描述并实现对个体用户偏好的可解释特征刻画。基于真实充电订单数据，通过非线性最小二乘法估计Q₀、α、β、γ四项行为参数，揭示用户在充电需求、时间偏好和价格响应方面的显著异质性。基于估计参数的K-means聚类识别出五类代表性用户群体：通勤主导型、弹性节能型、周末切换型、夜间偏好型和折扣敏感型，揭示不同用户群体间充电偏好和行为特征的差异。参数验证证实估计参数具有明确行为含义并能有效解释用户充电响应变化。基准比较表明所提框架在预测性能上优于传统方法，测试集RMSE降低28%，MAPE降低26%，R²提升14%。从实践角度，识别出的充电偏好揭示许多电动汽车用户倾向于在特定时段集中充电，尤其是傍晚时段和低价时段。虽然该行为可能降低充电成本并提升用户便利性，但也可能导致充电站拥堵、等待时间增加、基础设施利用不均及局部配电网压力。因此，所提框架可为充电需求预测、差异化定价策略、需求侧管理及长期充电基础设施规划提供有价值的支撑，为充电网络运营商和能源管理系统提供有用的决策支持工具。当前研究的局限性在于主要考虑电价、时段偏好和周末效应，而天气条件、出行目的、电池荷电状态、充电站特征、配电网容量约束、充电站功率限制及车网互动（Vehicle-to-Grid, V2G）等其他潜在影响因素未明确纳入，且对比分析仅考虑传统基准模型。未来研究将聚焦于用户行为预测与动态定价机制、充电预约系统及负荷均衡控制策略的集成，同时纳入更丰富的行为特征和先进机器学习方法，并探究非线性行为响应形式、时变行为参数及自适应学习机制。