随着环保意识的增强和可持续交通发展的需求，电动汽车（Electric Vehicle，EV）的应用越来越广泛。然而，其大规模推广面临诸多挑战，其中准确预测充电需求和规划可靠的充电基础设施是关键难题。一方面，用户充电行为多样且偏好各异，给预测模型带来不确定性；另一方面，环境因素如极端温度、降水等会影响电池性能和充电站可用性，充电基础设施组件老化及充电桩故障也增加了预测难度。为解决这些问题，来自明传大学（Ming Chuan University）的研究人员开展了相关研究。
该研究成果发表在《Heliyon》上，其意义在于为电动汽车充电基础设施的优化和规划提供了重要依据，有助于提升充电服务的可靠性和效率，推动电动汽车行业的可持续发展 。
研究人员采用了多种关键技术方法。首先，收集美国加利福尼亚州帕洛阿尔托市 EV 充电站近十年的历史交易数据以及相关环境数据；然后，运用排队网络模型和贝叶斯网络模型，分别对充电站的使用情况和充电桩的可靠性进行建模分析；最后，将两者结果与环境数据等作为输入，利用深度学习模型进行训练，以预测不同时间尺度的 EV 充电需求。
下面来看具体的研究结果：

1. 验证集成模型评估充电桩可靠性：通过对帕洛阿尔托充电站的计算分析，展示了 2020 年 47 个充电站的故障概率分布。如 PALO ALTO CA/RINCONADA LIB 2 充电站在 2020 年 6 月 25 日故障概率高达 0.98，而 PALO ALTO CA/WEBSTER #2 在 2020 年 6 月 29 日故障概率为 0。同时发现日降雨量与 EV 充电需求呈负相关，且当充电站故障概率超 0.5、日累计降雨量超 2.3 英寸时，充电需求会降至 750kWh 以下。这表明该集成模型能有效评估充电桩可靠性，且 HBNDL 框架综合考虑相关因素可提升预测准确性。
2. 分析 HBNDL 框架内预测准确性：研究不同预测步长对模型预测准确性的影响，发现引入 HBNDL 框架后，各神经网络模型在不同预测步长下的预测误差均显著降低。例如，LSTM-HBNDL 模型相比未使用该框架的 LSTM 模型，平均绝对误差（MAE）降低了 98.23%。在预测未来每日充电量时，LSTM-HBNDL 模型的 MAE 最低，约为 5.67，显示出其在不同时间尺度预测中的优势。
3. 分析训练轮数对预测准确性影响：研究模型训练轮数对预测准确性的影响，结果表明 HBNDL 框架能显著提升所有模型的准确性。随着训练轮数增加，基于 CNN、LSTM、MLP 等模型的 HBNDL 改进模型，预测误差持续降低。其中，LSTM-HBNDL 模型表现最优，RMSE 为 7.64，MAE 为 5.67，说明 HBNDL 框架对需要长时间学习的模型效果更佳。
   研究结论和讨论部分指出，本研究提出的基于混合贝叶斯网络的深度学习（HBNDL）系统架构，通过整合排队网络、贝叶斯网络和深度学习技术，显著提升了电动汽车充电需求预测的准确性和基础设施规划的可靠性 。不过，研究也存在一定局限性，如数据仅来自单一地区，未考虑政策、经济激励和消费者行为变化等因素。未来研究可拓展模型，纳入更多影响因素，应用于不同地区，结合实时数据和先进机器学习技术，进一步提升模型性能，为电动汽车基础设施规划提供更全面的支持。