基于深度学习的电动汽车直流快充曲线与时长实时预测研究

《Nature Communications》：Deep learning predicts real-world electric vehicle direct current charging profiles and durations

　　本研究针对电动汽车直流快充行为预测难题，开发了基于90万+真实充电会话的深度学习框架。通过β-VAE异常检测与TFT时序预测模型，仅需充电初期5分钟内6个数据点即可实现充电时长95%预测精度（误差<1分钟）。该技术为充电基础设施智能调度与电网负荷管理提供了实时决策支持。

　　

随着全球交通电动化进程加速，电动汽车（EV）销量持续攀升，但充电基础设施的可靠性和用户体验仍是制约大规模推广的关键瓶颈。直流快充（DCFC）虽能大幅缩短充电时间，其复杂的非线性充电曲线受电池初始状态-of-charge（SoC）、环境温度、车辆型号等多因素影响，导致充电时长预测困难，进而影响充电站运营效率与电网调度精度。

为破解这一难题，帝国理工学院与壳牌研究院联合团队在《Nature Communications》发表最新研究，提出了一种基于90.9万次真实充电会话的深度学习预测框架。该框架创新性地融合了β变分自编码器（β-VAE）异常检测与时序融合变换器（TFT）预测模型，仅需充电初期极少量数据即可实现高精度动态预测。

关键技术方法包括：1）基于β-VAE的异常会话过滤机制，利用重构误差识别设备故障等异常数据；2）自监督训练的TFT预测模型，支持从单点数据开始逐步优化预测；3）多变量输入处理（充电功率、SoC、连接器功率评级等），结合变量选择网络（VSN）动态加权特征重要性；4）量化损失函数生成概率预测，提供不确定性区间估计。所有数据均来自西北欧612个充电站2021-2024年真实运营记录。

DC fast charging complexities and challenges with designing predictive models

研究团队首先分析了真实场景下DCFC充电曲线的复杂性。通过对比实验室理想条件与真实环境充电曲线发现，同一车辆在不同SoC起始点、环境温度（-14°C至35°C）及连接器功率（50-360 kW）下呈现显著差异。数据集涵盖909,135次高质量会话，显示80%以上会话起始SoC在10%-60%之间，但充电时长从10分钟至超1小时不等，凸显建模难度。

Anomaly detection and time series forecasting with β-variational autoencoder and temporal fusion transformer

开发的双阶段模型架构中，β-VAE模型通过压缩重构机制有效识别1.02%的异常会话（如传感器故障导致的功率骤降）。TFT预测模型则通过自监督训练，仅需部分充电曲线即可预测完整曲线。实验表明，模型支持事件驱动更新（每1% SoC变化触发），在GPU上单次推理1024个会话仅需100毫秒，满足实时部署需求。

Time to reliable prediction operationally post-plug-in

预测性能评估显示：仅用1个数据点即可达到90%充电时长预测相对精度，6个点（对应5分钟内数据）精度提升至95%，绝对误差小于1分钟。模型在时间外推测试集（2024年6月后数据）表现稳定，验证其泛化能力。不确定性量化分析表明，输入点达15个时，仅0.79%会话预测误差超20%。

Model-derived insights into real-world charging behaviours

通过t-SNE可视化潜在空间发现，同品牌车型充电曲线呈现自然聚类，证实模型可捕捉车型特异性。变量重要性分析显示，估计电池容量为最关键静态特征，环境温度影响相对较弱。地理泛化测试中，荷兰未知数据集上未使用容量特征的模型仍保持可比性能，证明框架鲁棒性。

该研究实现了DCFC充电行为的分钟级精准预测，为充电站动态定价、电网负荷优化提供了技术基础。模型仅依赖充电器公开数据（功率、SoC、连接器类型等），避免涉及车辆隐私信息，具备大规模部署可行性。未来工作可结合联邦学习进一步强化数据隐私保护，或嵌入强化学习框架实现充电策略在线优化。