电动汽车充电基础设施的快速扩张加剧了运营挑战，包括闲置会话、计量故障以及损害电网稳定性和服务可靠性的需求激增。现有框架将需求预测和异常检测视为孤立任务，且此前尚无研究将会话级异常评分基于监督式时空需求模型进行条件设定，导致运营异常 largely 未被发现。本研究提出ST-DAD（Spatio-Temporal Demand-Aware Anomaly Detection，时空需求感知异常检测）框架，通过训练XGBoost、LightGBM和随机森林模型的堆叠集成来预测会话级预期能耗，然后对预测残差进行z-score归一化以生成连续且统计可解释的异常评分，从而将两项任务统一。该框架在148,136条真实充电会话数据上结合时间保留分割验证，以及在注入四种异常类型的电网感知数字孪生仿真中进行验证，ST-DAD在真实数据上达到了0.7906的F1分数和0.8147的ROC-AUC，优于全部五种基线方法；在仿真数据上达到0.8087的ROC-AUC。这些结果确立了需求感知残差评分结合事件级时空上下文条件设定，为智能充电网络的数据驱动运营监控提供了实用且可解释的基础。
本研究发表于《Journal of Energy Storage》，旨在解决电动汽车充电基础设施快速扩张背景下的运营监控难题。研究背景方面，全球电动汽车市场持续增长，2025年10月全球电动汽车销量同比增长23%达190万辆，2024年全球销量突破1700万辆，中国独占1100万辆以上。然而充电基础设施的并行扩张未能匹配车辆 adoption 速度，半数受访消费者将公共充电基础设施不足视为主要障碍。充电网络面临资源利用效率低下、消费模式不规则及运营异常等挑战，若不及时检测，将损害电网稳定性、降低用户体验并削弱基础设施投资的长期可行性。
电动汽车充电网络的高效运营需要同时关注两项相互关联的分析任务：精准的充电需求预测与可靠的运营异常检测。充电需求在时间上（日内时段、周内日期、季节）、空间上（站点位置、社区类型、交通枢纽 proximity）以及会话属性上（端口类型、车辆类别、用户行为）均存在显著变异。现有研究要么将需求预测与异常检测割裂处理，要么仅关注网络安全攻击而忽视运营会话级异常，如 plugged-in 闲置会话、失败充电尝试、计量故障生成 phantom transactions、以及非峰值时段异常能量激增等。这种任务割裂导致运营异常 largely 未被察觉，直至引发服务故障或电网事件。
研究人员开展了以下研究并提出ST-DAD框架：首先构建监督式时空需求预测模型，采用XGBoost、LightGBM和随机森林基学习器的堆叠集成，配合线性元学习器，基于事件级充电会话记录进行训练；其次建立基于残差的异常评分函数，对绝对预测残差进行z-score归一化，生成连续、无量纲且统计可解释的会话异常度量；接着在真实数据集和数字孪生仿真上进行实证验证；最后显式分析3-sigma检测阈值的精确率-召回率权衡并给出运营解读。
研究得出以下核心结论：ST-DAD在真实数据上达到0.7906的F
1 -score和0.8147的ROC-AUC，显著优于五种无监督基线方法（包括Isolation Forest、Local Outlier Factor、One-Class SVM、Elliptic Envelope和MLP Regressor）；在数字孪生仿真数据上达到0.8087的ROC-AUC，验证了框架在控制条件下的泛化能力。研究表明，将异常评分基于监督式时空需求预测进行条件设定，能够产生与直接基于原始会话特征操作的方法本质不同且运营更优的检测能力，其性能优势并非源于模型复杂度本身，而源于需求感知残差机制对上下文特异性预期能耗的偏离度量。该研究的重要意义在于首次系统整合了监督式时空需求预测与会话级残差异常检测，为充电网络运营监控提供了可解释的数据驱动基础，填补了现有研究将两项任务割裂处理的空白。
关键技术方法方面，本研究采用了以下核心技术：基于公开真实数据集的148,136条充电会话记录（来自美国科罗拉多州博尔德市的9个充电站）构建特征工程管道，包含时间特征（小时、星期、月份）、空间特征（站点ID、地理坐标）、端口属性（Level 2 DC/DCFC快充标识）及会话时长特征；堆叠集成学习架构，以XGBoost、LightGBM和随机森林为基学习器，以线性回归为元学习器进行会话级能耗预测；z-score归一化的残差异常评分函数，配合3-sigma决策阈值生成二元异常判定；电网感知数字孪生仿真平台，通过在正常充电行为模型中注入四种预设异常类型（闲置会话、近零能耗故障、phantom计量异常、非峰值能量激增）构建控制实验条件进行验证；以及时间保留分割策略确保预测时序性。
研究方法部分具体结果如下。在**EV charging demand forecasting**（电动汽车充电需求预测）部分，研究指出该领域已从简单聚合负荷模型演进至融合多源异构数据的复杂时空框架，早期研究聚焦于充电负荷的时空间尺度分解，例如在澳大利亚街区级别的建模表明现实渗透率下峰值电网负担增幅低于10%，且可通过有序充电实现削峰。
在**Dataset description and problem formulation**（数据集描述与问题建模）部分，研究确保了数据来源透明性与可复现性，明确界定了预测任务与异常检测任务的形式化定义，为ST-DAD框架的后续构建奠定基础。
在**Proposed ST-DAD framework**（提出的ST-DAD框架）部分，核心思想在于：异常充电会话可被识别为相对于上下文特异性预期能耗的统计显著偏离。框架集成时空需求预测模型与基于残差的异常检测机制，直接从历史充电事件数据中实现上下文感知的异常行为识别。
在**Experimental setup and results**（实验设置与结果）部分，研究严格报告实验发现，基线参数校准细节明确给出：所有无监督基线的污染参数均设置为测试集上观测到的代理标签异常率，确保各方法获得关于类别频率的同等先验信息，保证公平比较。
在**Performance interpretation and architectural contribution**（性能解读与架构贡献）部分，核心发现是：基于监督式时空需求预测的异常评分条件设定，相比于直接在原始会话特征上操作的方法，产生了定性不同且运营更优的检测能力。ST-DAD与经典无监督基线的性能差距并非源于更大的模型复杂度本身。MLP回归器虽共享ST-DAD的需求感知残差理念，但采用更简单的网络架构，其表现揭示了残差策略相较于架构复杂度的主导作用。
研究讨论部分总结如下。研究人员指出，ST-DAD的性能优势根植于对需求预测残差的上下文条件设定，而非孤立运用统计异常检测。通过将异常定义为相对于时空上下文的预期能耗偏离，框架有效区分了真实运营故障与自然行为变异，避免了需求 regime 转换期间的高误报率问题。3-sigma阈值的精确率-召回率权衡分析表明，在运营成本敏感场景下保守型高精度检测器优于高召回替代方案的运营条件。数字孪生仿真的引入提供了控制实验环境，弥补了真实数据缺乏完整异常标注的局限，但研究也承认仍存在局限性：异常类型的覆盖范围有限，未涵盖网络安全攻击等维度；数字孪生对现实电网动态的模拟存在简化；以及框架对历史数据质量的依赖性。
研究结论部分翻译如下：本论文提出了时空需求感知异常检测（ST-DAD）框架，通过将时空需求预测与基于残差的异常检测统一为单一可解释管道，解决了电动汽车充电分析领域的碎片化问题。该框架的需求感知残差机制将异常定义为相对于上下文预期会话级能量输送的统计显著偏离，使其能够区分真实运营故障与正常行为变异。在涵盖148,136条真实会话的数据集上的实证评估表明，ST-DAD在F
1 -score和ROC-AUC指标上均优于五种基线方法，且数字孪生验证确认了其控制条件下的泛化能力。这些结果确立了需求感知残差评分作为智能充电网络运营监控基础的实用性，为充电基础设施的数据驱动管理提供了可解释且可操作的异常检测框架。
打赏
