A Hybrid Physics-Based and Reinforcement Learning Framework for Electric Vehicle Charging Time Prediction

📄 arXiv: 2512.06287v1 📥 PDF

作者: Praharshitha Aryasomayajula, Ting Bai, Andreas A. Malikopoulos

分类: eess.SY

发布日期: 2025-12-06

💡 一句话要点

提出混合物理模型与强化学习框架，用于精确预测电动汽车充电时间

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 电动汽车充电 充电时间预测 强化学习 物理模型 电池健康状态 混合建模 非线性优化

📋 核心要点

  1. 现有电动汽车充电时间预测方法在数据有限或电池老化情况下精度不足，影响用户体验和充电设施效率。
  2. 该论文提出混合框架，结合物理模型处理数据稀疏问题，利用强化学习适应电池老化，提升长期预测精度。
  3. 实验表明，该方法在充电时间预测精度和电池老化鲁棒性方面均优于传统方法，显著提升了预测性能。

📝 摘要（中文）

本文提出了一种混合预测框架，用于精确估计电动汽车（EV）的充电时间。精确的充电时间预测对于行程规划、用户满意度和充电基础设施的有效运行至关重要。该框架结合了基于物理的分析模型和强化学习（RL）方法。分析模型捕获了非线性恒流/恒压（CC-CV）充电动态，并显式地模拟了依赖于健康状态（SoH）的容量和功率衰减，从而在历史数据有限时提供可靠的基线。在此基础上，引入了一个RL组件，随着运营数据的积累，逐步改进充电时间预测，从而实现更好的长期适应性。两个模型都考虑了SoH退化，以在电池寿命期间保持预测准确性。使用5000次模拟充电会话（根据制造商规格和公开的EV充电数据集进行校准）评估了该框架。结果表明，分析模型实现了R²=98.5%和MAPE=2.1%，而RL模型进一步将性能提高到R²=99.2%和MAPE=1.6%，相当于精度提高了23%，电池老化鲁棒性提高了35%。

🔬 方法详解

问题定义：论文旨在解决电动汽车充电时间预测不准确的问题。现有方法，特别是依赖数据驱动的方法，在历史数据不足或电池健康状态（SoH）变化时，预测精度会显著下降。这会影响用户的行程规划，并降低充电基础设施的运营效率。因此，需要一种能够适应数据稀疏性和电池老化的充电时间预测方法。

核心思路：论文的核心思路是将基于物理的分析模型与强化学习（RL）相结合。物理模型能够利用电池的充电原理和SoH信息，在数据有限的情况下提供一个可靠的初始预测。RL模型则通过不断学习实际充电数据，逐步优化预测结果，从而适应电池的老化过程，提高长期预测精度。

技术框架：该混合框架包含两个主要模块：1) 基于物理的分析模型：该模型基于恒流/恒压（CC-CV）充电动态，并显式地模拟了SoH依赖的容量和功率衰减。它使用电池的物理特性和充电过程的数学模型来预测充电时间。2) 强化学习模型：该模型使用实际充电数据来学习如何改进物理模型的预测。它使用一个RL代理，该代理通过与环境（即充电过程）交互来学习最佳的预测策略。整体流程是先用物理模型进行初步预测，然后用RL模型根据实际数据进行修正和优化。

关键创新：该论文的关键创新在于将基于物理的模型与强化学习相结合，从而克服了传统方法在数据稀疏性和电池老化方面的局限性。物理模型提供了可靠的先验知识，而强化学习则能够利用实际数据进行自适应学习，从而实现更高的预测精度和鲁棒性。这种混合方法能够更好地适应电动汽车电池的复杂性和不确定性。

关键设计：物理模型中，关键在于准确建模电池的CC-CV充电过程以及SoH对电池容量和功率的影响。RL模型中，状态空间需要包含电池的当前状态（如电压、电流、SoH），动作空间需要定义如何调整物理模型的预测结果。奖励函数的设计至关重要，需要鼓励RL代理做出更准确的预测，并惩罚不准确的预测。具体的网络结构和参数设置未在摘要中详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该混合框架显著提高了电动汽车充电时间预测的精度。分析模型实现了R²=98.5%和MAPE=2.1%，而RL模型进一步将性能提高到R²=99.2%和MAPE=1.6%，相当于精度提高了23%，电池老化鲁棒性提高了35%。这表明该方法能够有效地适应电池老化，并提供更可靠的充电时间预测。

🎯 应用场景

该研究成果可应用于电动汽车行程规划、充电站运营管理和电池健康监测等领域。更精确的充电时间预测可以提高用户满意度，优化充电站的资源分配，并延长电池的使用寿命。此外，该方法还可以用于评估新型电池技术和充电策略的性能。

📄 摘要（原文）

In this paper, we develop a hybrid prediction framework for accurate electric vehicle (EV) charging time estimation, a capability that is critical for trip planning, user satisfaction, and efficient operation of charging infrastructure. We combine a physics-based analytical model with a reinforcement learning (RL) approach. The analytical component captures the nonlinear constant-current/constant-voltage (CC--CV) charging dynamics and explicitly models state-of-health (SoH)--dependent capacity and power fade, providing a reliable baseline when historical data are limited. Building on this foundation, we introduce an RL component that progressively refines charging-time predictions as operational data accumulate, enabling improved long-term adaptation. Both models incorporate SoH degradation to maintain predictive accuracy over the battery lifetime. We evaluate the framework using $5{,}000$ simulated charging sessions calibrated to manufacturer specifications and publicly available EV charging datasets. Our results show that the analytical model achieves $R^{2}=98.5\%$ and $\mathrm{MAPE}=2.1\%$, while the RL model further improves performance to $R^{2}=99.2\%$ and $\mathrm{MAPE}=1.6\%$, corresponding to a $23\%$ accuracy gain and $35\%$ improved robustness to battery aging.