当前位置：首页>电动汽车>【TTE最新好文|EV+AI】电动汽车充电行为能被“学会”吗?图注意力模型揭示价格–交通–电网的联动机制

【TTE最新好文|EV+AI】电动汽车充电行为能被“学会”吗?图注意力模型揭示价格–交通–电网的联动机制

2026-10-23 05:04:01

点击蓝字｜关注我们

温馨提示

关注公众号，查看往期更多资讯

联系小编：Fightingforall23（注明来意）

详细内容，请点击本帖底部 阅读原文

往期群聊：回复本公众号：专刊，互助，岗位 等进入群聊

公众号从未参与任何广告中介、文章代写、付费代码、文章走后门代发等活动，一切打着公众号名义的金钱和利益交易均为诈骗，请谨慎！

引文信息

S. Chen, H. Zhang, Q. Wu, P. Li and Z. Wei, "Learning the Price Response of Spatiotemporal EV Charging Flow: A Graph-Attentive Surrogate Model," in IEEE Transactions on Transportation Electrification, doi: 10.1109/TTE.2026.3657374.

【正文】

一、引言｜一篇把“价格—出行—电网”连起来的研究 📘

随着电动汽车（EV）保有量的快速增长，充电行为已经不再只是交通问题，而是深度牵动配电网运行安全的系统性问题。

近期，来自河海大学与贝尔法斯特女王大学的联合研究团队，聚焦“交通网络—配电网”耦合系统中的电动汽车充电价格响应机理，在IEEE Transactions on Transportation Electrification发表最新研究“Learning the Price Response of Spatiotemporal EV Charging Flow: A Graph-Attentive Surrogate Model”。

该工作提出了一种图注意力代理模型（Graph-Attentive Surrogate Model），用深度学习的方式，直接“学会”👉 充电价格如何在时间和空间上改变EV的充电流分布。

二、研究背景｜为什么“充电价格”如此关键？ 🌍⚡

在现实系统中，电动汽车充电面临三个典型挑战：

🔹 交通网络（TN）与配电网（PDN）深度耦合充电站既是交通节点，也是电力负荷节点，局部拥堵往往伴随局部电压越限。

🔹 用户行为高度非线性EV 用户并非“理性线性响应者”，而是在路径时间、排队时间、充电价格之间权衡。

🔹 传统优化模型难以实时应用多时段交通–电力联合优化模型通常是非凸 NLP，计算时间以秒甚至分钟计，难以支撑在线调度。

👉 因此，一个核心问题浮出水面：能否用一个“快、准、可泛化”的模型，直接刻画“充电价格 → 充电行为”的映射关系？

三、研究亮点｜GCN + 双向注意力 + Transformer 的“组合拳” 🧠✨

这篇论文的创新，并不只是“用了深度学习”，而是精准匹配了问题结构。

⭐ 亮点一：用“代理模型”学习最优解，而不是替代物理规律

作者先构建了一个多时段交通-电力联合优化模型（MTOTPF），通过大量场景求解得到“标签数据”，再用深度学习学习这些最优解的结构规律。

➡️ 这是“Learning to Optimize”而非“Blind Prediction”。

⭐ 亮点二：图卷积（Graph Convolutional Network, GCN）精准刻画交通拓扑

研究将道路链接视为图节点，充电站所在路段自然嵌入图结构，通过 GCN 捕捉：

相邻路段之间的空间关联
充电站对周边交通流的扩散影响

📌 解决了传统神经网络看不懂网络拓扑的问题。

⭐ 亮点三：双向交叉注意力（Bidirectional Cross-Attention, BCA）融合“全局需求 × 局部结构”

创新引入双向交叉注意力：

全局 O-D 交通需求 → 指导局部路段
局部网络结构 → 反向修正全局需求感知

👉 避免了“简单拼接特征”的信息浪费。

⭐ 亮点四：Transformer 捕捉时间耦合与峰谷规律

利用 Transformer 的自注意力机制，模型能自动学习：

日内充电高峰
价格调节的滞后效应
多时段交通残余流的影响

四、数值实验｜不只是“准”，而是“又准又快” 📊⚙️

🔬 仿真系统设置

交通网络：改进的 Nguyen–Dupius 网络
配电网：IEEE 33 节点系统
充电站数量：5 个快充站
训练样本：14,000 组多时段场景

🔍 模型精度对比：谁更“靠谱”？

从图 6 可以看出，本文提出的模型在预测精度上明显优于对比方法。其中，误差小于 1% 的预测样本占比最高，而中高误差区间（5%–10% 及以上）的比例最低，说明模型整体更稳定、可靠。相比之下，仅采用 GCN 的模型由于能够利用交通网络的空间结构，预测性能次之。对于不包含图结构的模型（如 BP、GRU 和 Transformer），尽管 Transformer 在捕捉时间依赖方面有所改善，但整体精度仍受限于对网络空间关系的刻画不足。

从图 7 可以看出，本文模型在所有测试样本中始终保持最低的平均误差，说明其在不同交通与价格场景下具有更强的稳定性和鲁棒性。这主要得益于模型同时利用了 GCN 对交通网络空间结构的刻画，以及 Transformer 对时序与远距离依赖的建模能力。

表 IV 的定量结果进一步验证了这一结论：在 MSE、RMSE、MAE 和 R2R^2R2 等多个评价指标上，本文方法均优于对比模型，且平均误差相较 BP、GRU、Transformer 和 GCN 分别降低 57.93%、59.35%、43.22% 和 21.83%，表明该模型在不确定交通场景下具有较好的泛化性能。

⚡ 计算效率对比：从“分钟级求解”到“毫秒级响应”

表 V 对比了传统优化求解器与本文代理模型的计算效率。由于交通–电力耦合模型具有高维、非凸等特点，传统求解方法在计算时间上难以满足在线应用需求。相比之下，本文提出的代理模型将求解时间缩短至毫秒级，实现了数量级上的加速。这种显著的计算优势，使其具备支持实时充电价格调度以及充电站聚合参与电网灵活调节的实际应用潜力。

📍 真实数据验证：模型能否“跟得上现实世界”？

为验证模型在真实场景下的适用性，研究进一步引入了南京市 5 个公共快充站的实测运行数据进行测试。图 8 展示了模型在 144 小时时间尺度上的充电负荷跟踪结果，可以看到预测曲线与真实负荷变化高度一致。即便在用户行为不确定性较强、负荷波动剧烈的情况下，模型仍能较好捕捉高峰时段的快速爬坡以及低谷时段的波动特征。这一结果表明，该模型已有效学习到价格信号与充电需求之间的非线性关系，具备支撑交通–电力耦合系统在线调度与实际应用的可靠性。

🧠 模型可解释性：价格变了，车流会怎么动？

为避免深度学习模型沦为“黑箱”，研究进一步分析了关键输入变量对预测结果的影响。如 图 9 所示，当充电服务费在 ±50% 范围内调整时，充电站车流呈现出清晰的反向变化趋势：价格越高，前来充电的车辆越少。这一结果表明，模型并非机械拟合数据，而是正确学习了符合经济直觉的行为逻辑。同时，在价格较高区间，车流变化逐渐趋于平缓，反映出用户充电选择受到站点容量与能源约束的现实限制，进一步增强了模型预测结果的可信度。

🔄 动态充电定价如何同时“疏导车流、减轻电网压力”？

通过对比固定充电服务费（CSF）与动态 CSF两种情形下的运行结果，图 10–12 系统展示了动态定价对交通网络与配电网的引导作用。
从 图 10 可以看到，在固定 CSF 条件下，电动汽车更倾向于选择行驶时间最短的充电路段，导致局部车流高度集中，容易引发拥堵。而在动态 CSF 调节下，部分车辆被有效引导至原本利用率较低的路段和充电站，使整体交通流在空间和时间上更加均衡。

图 11 进一步以 FCS2 为例，展示了单个充电站的调节效果。在充电需求过于集中的时段，充电站通过提高 CSF，将部分车辆引导至其他站点，从而避免局部过载；而在充电需求受系统容量约束的高峰时段，价格调节的作用趋于有限，这一现象也符合实际运行中用户灵活性受限的客观规律。合理降低 CSF 则有助于降低用户的整体出行成本。

从配电网角度来看，图 12 表明，在固定 CSF 条件下，部分充电站在高峰时段出现充电负荷高度集中的现象，可能引发电压越限或局部过载风险；相比之下，动态 CSF 能够显著平滑充电负荷的时空分布，降低峰值水平，从而减轻配电网运行压力并提升系统稳定性。

总体而言，这组结果清晰验证了：动态充电定价能够同时改善交通运行效率和电网安全性，是交通–电力耦合系统中释放电动汽车灵活性的有效手段。

💰 经济效益评估：动态定价到底“值不值”？

表 VI 从整体经济性的角度量化了动态充电服务费策略的收益。结果显示，引入动态 CSF 后，系统总社会成本降低约 3.5%。其中，在配电网侧，通过平滑充电负荷分布，运行成本下降约 4.1%，网损降低约 4.7%；在交通网络侧，由于车辆被引导至拥堵程度较低的充电站，用户的综合出行成本降低约 3.3%。这一结果表明，动态充电定价不仅提升了电网运行效率，也改善了交通系统的均衡性，从而实现了交通–电力耦合系统的整体经济优化。