Согласно новому исследованию, быстрое внедрение электромобилей в Великобритании создает серьезные вызовы для планирования зарядной инфраструктуры и интеграции в энергосистему. В отличие от предыдущих исследований, которые часто использовали машинное обучение в изоляции, данное исследование представило интегрированную платформу анализа, которая сочетает поведенческий кластерный анализ, предсказательное моделирование и объяснимый искусственный интеллект (XAI).
В рамках исследования был проанализирован структурированный опрос, в котором участвовали 256 пользователей электромобилей из Северо-Востока (124 респондента) и Западного Мидленда (132 респондента). Кластерный анализ выявил три различных группы пользователей в каждом регионе. Модели предсказания, включая Random Forest и CatBoost, продемонстрировали высокую точность, особенно в Северо-Восточном регионе, где модель достигла R² = 0.9951 и MSE = 0.0694.
Анализ поведения пользователей показал, что 85% предпочитают быстрые зарядные устройства постоянного тока (DC), и большинство пользователей (66% в Западном Мидленде и 53% в Северо-Восточном) готовы проехать до 3 км для зарядки. Основными факторами, влияющими на выбор зарядной станции, стали продолжительность зарядки, доступность в реальном времени и стоимость.
Результаты исследования подчеркивают важность адаптивного и интерпретируемого моделирования для оптимизации зарядной инфраструктуры. Платформа ISE-CAP, представленная в исследовании, может быть масштабирована и адаптирована для других регионов, что делает ее полезным инструментом для планирования устойчивой инфраструктуры электромобилей в контексте умных городов.