电动汽车充电需求的概率预测：不同聚合水平与能源采购的分析

摘要 电动汽车（EV）预计在向低碳能源系统转型中起着至关重要的作用。然而，将EV整合进电网为电网运营商和能源供应商带来了重大挑战，特别是在EV充电需求的不确定性和变动性方面。准确预测EV充电需求对于优化电力系统整合至关重要，但以往的研究通常只考虑了点预测，这对于风险评估不够充分。因此，本文比较了用于在不同聚合水平下短期预测EV充电需求的多种概率预测模型，使用了超过35万个充电过程的庞大新数据集，覆盖德国500多个地点。评估了机器学习和深度学习方法的表现，与一个简单的基准模型进行对比，并研究了数据可用性对预测模型的影响。此外，本文考察了预测准确性对能源采购的影响，这在文献中尚未受到足够重视。结果显示，像Ada Boosting和随机森林等机器学习方法在最高聚合水平下，标准化均方根误差为0.42和0.41，平均绝对比例误差为0.36和0.34，表现稳健。此外，结果还显示了不同场地组成对预测质量的影响，以及多少个充电点可能产生稳健的预测。能源和车队管理者可以利用所描述的方法可靠地预测足够规模车队所需的能源数量，并低风险采购。