可解释的异常检测对于电动汽车充电站-计算机科学-电动汽车-异常检测-智慧城市.pdfVIP

可解释的异常检测对于电动汽车充电站

MatteoCederle,AndreaMazzucco,

AndreaDemartini,EugenioMazza,EugeniaSuriani,

FedericoVitti,GianAntonioSusto

UniversityofPadova,Italy(e-mail:matteo.cederle@phd.unipd.it,

andrea.mazzucco.2@studenti.unipd.it,gianantonio.susto@unipd.it).

A2AS.p.A.,Italy(e-mail:andrea.demartini@a2a.it,

eugenio.mazza@a2a.it,eugenia.suriani@a2a.it,

federico.vitti@a2a.it).

摘要电动汽车(EV)充电站是支持向基于可再生能源的移动性过渡所需的关键基础设施之

本一，但确保其可靠性和效率需要有效的异常检测来识别充电行为中的不规则现象。然而，

译在这种生产场景中，确定检测到的异常背后的潜在原因也至关重要。为实现这一目标，本

中研究调查了电动汽车充电基础设施的无监督异常检测技术，并结合可解释的人工智能技术

1以提高可解释性并揭示异常的根本原因。

v使用现实世界中的传感器和充电会话数据，本研究应用孤立森林来检测异常，并采用基于

8

1深度的孤立森林特征重要性（DIFFI）方法来识别导致这些异常的最重要特征。所提出的

7方法的有效性在一个真实的工业案例中进行了评估。

5

1

7.Keywords:异常检测，XAI，电动汽车，充电站，智慧城市

0

51.介绍取标签数据可能既困难又耗时。标注通常需要人类专业

2

:知识和手动努力，使得在大规模部署中变得不切实际。

v

i根据协会Motus-E近期发布的一份报告，到2024年底，通过利用无监督的方法，可以实现无需预定义故障分类

x

r意大利安装的电动汽车（EV）充电站数量达到了64391就能检测异常的目标。此外，在电动汽车充电基础设施

a

个，相比2023年增加了27%，这与近年来的重要增长的场景中，理解所检测到的异常背后的潜在原因至关重

趋势一致(Motus(2025))。这一迅速演变的局面需要对要。这可以通过可解释的人工智能（XAI）来解决，其目

EV充电基础设施进行有效监控和管理，这对于优化站标是提供对基于机器学习（ML）决策背后推理的理解。

点性能和确保可靠的服务可用性至关重要。检测充电站虽然某些ML模型提供了固有的可解释性，但高性能方

操作中的异常情况，这些异常可能表现为硬件故障、充法往往在其决策过程中缺乏透明度。这种不透明性会降

电过程问题、电力波动或连接中断等，对于减少停机时低人们对基于ML系统的信任，在将其集成到用于管理

间、降低维护成本以及改善用户体验是至关重要的。电动汽车充电网络的关键决策支持系统中时构成挑战。

在此背景下，异常检测（AD）在识别意外故障、失败或目前最先进的EV充电站AD技术就是这种情况，它们

低效方面发挥着基础性作用（Chandolaetal.(2009)）。采用了高级的深度神经网络架构，如ResNet自编码