基于優(yōu)化隨機(jī)森林算法的電動汽車充電負(fù)荷預(yù)測

doi：10.3969/J.ISSN.1672-7274.2025.06.009

中圖分類號：TM910.6;TP31;U469.72 文獻(xiàn)標(biāo)志碼：B 文章編碼：1672-7274（2025）06-0026-03

Electric Vehicle ChargingLoad Forecasting Based on Optimized Random Forest Algorithm

ZHANG Meng

（Shanxi Vocational College of Finance and Trade， Taiyuan O3oo31， China）

Abstract： With the rapid development ofthe electric vehicle （EV） market，the demand forcharging is increasing， posing unprecedented challnges to the existing power system. Accurately predicting the charging load of electric vehiclescan guidethe management and scheduling of the power system，improve the eficiencyofenergyutilization， and help alleviate charging pressure.This article proposes an electric vehicle charging load prediction method based on optimized random forest algorithm.The experimentalresults show that compared with the SVM method，this model has significantly improved accuracyand stability，and can provide more reliable basis for power system management and scheduling， effectively coping with the pressure of charging peak.

Keywords： charging load forecasting; random forest; grid search

0 引言

隨著全球?qū)沙掷m(xù)發(fā)展和環(huán)保的重視，電動汽車（EV）作為一種低碳出行方式，近年來得到了快速發(fā)展。數(shù)據(jù)顯示，電動汽車的市場份額不斷增加，預(yù)計在未來的幾年內(nèi)將繼續(xù)保持強(qiáng)勁的增長[1]。據(jù)國際能源署（IEA）統(tǒng)計，預(yù)計2024年底，全球電動汽車的累計銷量將接近1700萬輛，將占全球汽車總銷量 20% 以上，預(yù)計2030年全球電動汽車銷量有望超過4000萬輛。充電負(fù)荷預(yù)測的準(zhǔn)確性直接影響著電網(wǎng)的安全穩(wěn)定運(yùn)行和經(jīng)濟(jì)效益。充電需求的激增給電力系統(tǒng)的穩(wěn)定性和可靠性提出了嚴(yán)峻考驗。

針對上述背景，本文關(guān)注充電負(fù)荷受多種因素影響，利用AdaBoost思想策略對隨機(jī)森林進(jìn)行優(yōu)化并構(gòu)建充電負(fù)荷預(yù)測模型。結(jié)果表明，該模型能夠有效預(yù)測電動汽車的充電負(fù)荷曲線，為電力系統(tǒng)的穩(wěn)定運(yùn)行提供重要的理論基礎(chǔ)和實(shí)踐指導(dǎo)。

1 理論基礎(chǔ)與數(shù)據(jù)處理

1.1決策樹模型

決策樹是一種采用樹形結(jié)構(gòu)模擬決策過程的模型，通常在機(jī)器學(xué)習(xí)中用于處理分類與回歸任務(wù)。本質(zhì)上決策樹的算法邏輯可以描述為if-then，根據(jù)不同的決策樹屬性選擇方式，將學(xué)習(xí)樣本按照邏輯分類，最后歸結(jié)至某一確定的分類中[2]。在決策樹的構(gòu)建過程中，確定最優(yōu)的分裂屬性是核心步驟，這涉及到?jīng)Q策樹的屬性選擇機(jī)制。本文中，采用了“基尼指數(shù)”作為衡量屬性優(yōu)劣的標(biāo)準(zhǔn)，這是一種在CART（ClassificationandRegressionTrees）決策樹算法中常用的方法。

CART決策樹通過使用基尼指數(shù)（Giniindex）來衡量樣本集 D 的不純度。基尼指數(shù)越低，意味著數(shù)據(jù)集 D 的純度越高。在決策樹中，結(jié)點(diǎn)的“純度”值越高，表明該節(jié)點(diǎn)下的樣本更有可能屬于同一個類別，定義如下：

式中， p_k 表示 ?k 類別在數(shù)據(jù)集 D 中的比例。針對數(shù)據(jù)集D 中的屬性A，基尼指數(shù)定義如下：

1.2隨機(jī)森林算法

隨機(jī)森林是利用訓(xùn)練多個決策樹而形成的回歸與分類算法。直觀理解隨機(jī)森林，可以將其理解為對總體數(shù)據(jù)樣本進(jìn)行的隨機(jī)抽樣形成的多棵決策樹結(jié)果。通過Bootstrap集成算法，從原始數(shù)據(jù)集N中有放回的重復(fù)獲取 Π_n 個樣本生成新的訓(xùn)練集和相應(yīng)的決策樹。再對所有結(jié)果進(jìn)行投票或平均匯總得到最終結(jié)果，極大程度上避免了單一決策樹在訓(xùn)練中出現(xiàn)的過擬合情況。通過隨機(jī)森林算法，能夠更敏捷地對充電數(shù)據(jù)集各類參數(shù)樣本進(jìn)行提取，從而形成最終的決策樹模型，對于回歸分析大多使用平均法得到隨機(jī)森林的最終輸出。隨機(jī)森林結(jié)構(gòu)圖如圖1所示。

1.3數(shù)據(jù)處理

電動汽車充電負(fù)荷預(yù)測相關(guān)數(shù)據(jù)具有數(shù)據(jù)類型復(fù)雜、數(shù)據(jù)量龐大、缺失值較多等特點(diǎn)。因此，在模型訓(xùn)練之前，需要對數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理操作。為了分析電動汽車充電負(fù)荷預(yù)測模型的性能，本文選用ACN-DATA公開數(shù)據(jù)集，該數(shù)據(jù)集包含美國部分地區(qū)電動汽車充電樁歷史充電數(shù)據(jù)。采集數(shù)據(jù)的時間段為2020年1月1日至2021年9月14日，通過剔除重復(fù)數(shù)據(jù)和無效數(shù)據(jù)后，有效充電會話次數(shù)為5509條。具體數(shù)據(jù)包括充電樁ID、連接時間、斷開時間、充電量等?？紤]到天氣情況對用戶充電行為的影響，如溫度、降雨、降雪等天氣情況對電池、用戶充電需求的影響，在進(jìn)行數(shù)據(jù)處理中，增加了加利福尼亞當(dāng)日天氣相關(guān)數(shù)據(jù)特征。

1.3.1數(shù)據(jù)填充

針對數(shù)據(jù)集中存在的缺損數(shù)據(jù)，為保證數(shù)據(jù)完整性以便于數(shù)據(jù)集整體訓(xùn)練，需要利用數(shù)據(jù)填補(bǔ)方式對缺失值進(jìn)行填補(bǔ)。常見的缺損數(shù)據(jù)處理方式有均值法、0填充法、插值法等。為盡可能保證電動汽車充電負(fù)荷數(shù)據(jù)完整性，以保留其數(shù)據(jù)特征和相關(guān)性，本文采用日期和類型的數(shù)據(jù)來填補(bǔ)缺失數(shù)據(jù)，利用相近日期類型相同的充電負(fù)荷進(jìn)行加權(quán)填充，保證了數(shù)據(jù)完整性和預(yù)測結(jié)果的準(zhǔn)確性。

1.3.2數(shù)據(jù)標(biāo)準(zhǔn)化

ACN-DATA中電動車充電負(fù)荷數(shù)據(jù)以及當(dāng)?shù)靥鞖鈹?shù)據(jù)使得本文數(shù)據(jù)集評價指標(biāo)十分復(fù)雜，涵蓋不同類型的數(shù)據(jù)，如溫度、負(fù)荷、降雨量等不同指標(biāo)的單位、數(shù)值范圍相差巨大。為了消除不同維度和尺度的影響，平衡各種屬性在訓(xùn)練中對結(jié)果的影響。本文應(yīng)用了Z-Score標(biāo)準(zhǔn)化技術(shù)，以確保所有數(shù)據(jù)的一致性和可比性。Z-Score標(biāo)準(zhǔn)化是通過計算每個數(shù)據(jù)點(diǎn)與平均值的差值，使得數(shù)據(jù)標(biāo)準(zhǔn)統(tǒng)一化，能夠使得不同屬性數(shù)據(jù)有可比性，公式如下。

式中， Z_r 代表第i個樣本經(jīng)過歸一化處理后的值； A 是原始數(shù)據(jù)第i個樣本值； μ 表示總樣本均值； σ 表示總樣本的標(biāo)準(zhǔn)差。

1.3.3特征篩選

為提升模型性能與泛化能力，本文采用Pearson相關(guān)性分析、PCA主成分分析來進(jìn)行特征評估，以達(dá)到降低模型復(fù)雜度、減少過擬合的目的[3]。針對本文數(shù)據(jù)集中所包含的充電起始時間、充電斷開時間、負(fù)荷、當(dāng)日最高溫度、當(dāng)日平均溫度、平均風(fēng)速等23個數(shù)值型屬性變量進(jìn)行分析，以確保能夠在保證數(shù)據(jù)集屬性相關(guān)性達(dá)到最佳平衡點(diǎn)，提升模型整體效果。通過綜合考慮，本次模型最終選擇充電時間、是否為工作日、負(fù)荷、平均溫度等11個特征作為后續(xù)模型建立的屬性。

2 預(yù)測算法

在傳統(tǒng)隨機(jī)森林回歸模型中，參數(shù)的設(shè)定對模型預(yù)測的準(zhǔn)確性起著至關(guān)重要的作用。如果參數(shù)選擇不當(dāng)，可能導(dǎo)致模型的準(zhǔn)確性下降。此外，模型的訓(xùn)練時間和計算復(fù)雜度會隨著決策樹數(shù)量的增加而增加。而且傳統(tǒng)模型對數(shù)據(jù)的質(zhì)量和數(shù)量有一定的依賴性，若數(shù)據(jù)存在噪聲或異常值，可能會影響預(yù)測結(jié)果的準(zhǔn)確性。

本文使用網(wǎng)格搜索來優(yōu)化AdaBoost模型的超參數(shù)，AdaBoost思想迭代提升以優(yōu)化整個訓(xùn)練樹模型，通過對每棵決策樹進(jìn)行加權(quán)訓(xùn)練，以提升學(xué)習(xí)器的性能。在每次迭代中，根據(jù)上一輪決策樹的預(yù)測誤差調(diào)整訓(xùn)練數(shù)據(jù)的權(quán)重，并重新訓(xùn)練新的決策樹。最終，將所有決策樹的預(yù)測結(jié)果進(jìn)行加權(quán)求和，得到最終的預(yù)測結(jié)果。其模型流程圖如圖2所示。

3 實(shí)驗與分析

3.1模型訓(xùn)練與評估

為了使得驗證結(jié)果的有效性，在本文選定的數(shù)據(jù)中，將樣本數(shù)據(jù)通過缺損填補(bǔ)、Z-Score標(biāo)準(zhǔn)化和特征選取構(gòu)建了本文的實(shí)驗數(shù)據(jù)集，其中 80% 的數(shù)據(jù)被分配用于訓(xùn)練模型，而剩余的 20% 則作為驗證集，用于檢驗?zāi)Ｐ皖A(yù)測的精確度。本文選用RMSE和MAE作為模型評價指標(biāo)對電力負(fù)荷預(yù)測精度進(jìn)行驗證。

3.2結(jié)果分析

將優(yōu)化后的RF與支持向量回歸機(jī)（SVR）模型進(jìn)行對比。根據(jù)前文選定評價指標(biāo)，對本文模型與SVM算法得到的預(yù)測與實(shí)際值進(jìn)行計算，結(jié)果對比如表1所示。從圖3可以看出，隨機(jī)森林在本文數(shù)據(jù)集中預(yù)測結(jié)果更接近于真實(shí)值，表明該模型能夠以較高準(zhǔn)確度捕捉數(shù)據(jù)特征，從而為電動汽車負(fù)荷預(yù)測提供了一種可靠的方法。

4 結(jié)束語

本文利用網(wǎng)格搜索來優(yōu)化AdaBoost模型的超參數(shù)，并選取合適的隨機(jī)森林參數(shù)，提出了基于隨機(jī)森林算法的電動汽車充電負(fù)荷預(yù)測模型，通過ACN-DATA公開數(shù)據(jù)集進(jìn)行模擬仿真。根據(jù)RMSE和MAE指標(biāo)對本文方法和SVM模型進(jìn)行評價。通過表1所示結(jié)果，在數(shù)據(jù)集中本文方法在預(yù)測負(fù)荷的準(zhǔn)確度和擬合程度都優(yōu)于SVM算法模型，能夠提供更為準(zhǔn)確的預(yù)測結(jié)果，能夠更為精準(zhǔn)地捕捉到充電負(fù)荷的變化趨勢，從而為電網(wǎng)規(guī)劃、調(diào)度以及運(yùn)營管理提供更為可靠的決策依據(jù)。

由于不同用途車輛以及充電站空間信息的用戶使用規(guī)律和充電需求存在明顯差異，在時間和空間上具有一定的隨機(jī)性。為了進(jìn)一步提升電動汽車充電負(fù)荷預(yù)測的精度和可靠性，未來須深入研究這些復(fù)雜因素對預(yù)測結(jié)果的影響機(jī)制。探索如何將這些時間和空間信息有效地融入預(yù)測模型中，以更好地捕捉充電負(fù)荷的時空變化規(guī)律。期望通過這些深入研究，能夠開發(fā)出更為完善的電動汽車充電負(fù)荷預(yù)測模型，為智能電網(wǎng)的發(fā)展和電動汽車產(chǎn)業(yè)的可持續(xù)發(fā)展提供有力支持。

參考文獻(xiàn)

[1]陳男，孫曉東，馬志鵬.電動汽車接入電網(wǎng)對電網(wǎng)諧波的影響[J].電子測試，2021（17）：122-123.

[2]劉延釗，黃志球，沈國華，等.基于決策樹和BN的自動駕駛車輛行為決策方法[J].系統(tǒng)工程與電子技術(shù)，2022，44（10）：3143-3154.

[3]劉奕舟，李振華，魏偉，等.基于LSTM-GNN組合模型的電動汽車短期充電負(fù)荷預(yù)測[J/OL].電源學(xué)報，1-14[2024-12-02].http：//kns.cnki.net/kcms/detail/12.1420.tm.20240724.1728.016.html.

[4]張欣，李林.基于隨機(jī)森林的季節(jié)性電動汽車充電負(fù)荷預(yù)測[J].軟件工程，2024，27（11）：11-14，37.