晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

基于流体队列的电动汽车充电调度拥堵预测

准大一 · 电气工程 × 新能源 × AI+电力 —— 电动汽车充电调度精读材料
原文：arXiv:2605.26970 2026年5月26日发布 arXiv 预印本（eess.SY） 拥堵预测 × 流体队列 × 充电调度 附英文摘要朗读音频

一、论文档案

英文标题Congestion Forecasting for Electric Vehicle Charging Scheduling with Fluid Queues
中文标题基于流体队列的电动汽车充电调度拥堵预测
作者约阿斯·卡勒特, 王瑞婷, 约纳斯·莫滕松（瑞典皇家理工学院 瑞典皇家理工学院 团队）
发布时间2026年5月26日（v1）｜分类：eess.SY（系统与控制）
原文链接arxiv.org/abs/2605.26970　·　全文 HTML 版
一句话概括把充电站排队“看成水流”，预测未来站点的拥堵与可用性——调度时避开堵车，等待时间最多省 14%。
💡 为什么选这篇给你：① 电动汽车充电是新能源转型的“最后一公里”，与电气工程、交通、运筹学都直接相关；② 流体队列是个巧妙又直观的建模思路——不用逐辆车模拟，用微分方程描述整体排队，大一也能读懂；③ 故事完整：问题（预测拥堵难）→方法（流体模型）→结果（等待时间降 14%），还讨论了通信与信息价值，非常适合入门。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
congestion forecasting拥堵预测提前预测充电站未来会不会排队、要等多久，让调度系统“绕开堵点”。
fluid queuing model流体队列模型把一辆辆离散的车“摊平”成连续流体，用微分方程描述站内排队的变化，像水流进水池。
charging station availability充电站可用性某个时刻充电站还有多少空闲充电桩、可用的充电功率。
route planning路径规划长途出行前规划“在哪充电、充多久、走哪条路”的决策。
charging scheduling充电调度决定每辆车何时、在哪个站、充多少电的安排策略，目标是少等待、少浪费。
arrival pattern到达模式电动汽车到达充电站的时间与数量分布规律，是拥堵的主要来源。
waiting-related downtime等待相关停机车辆因站内拥堵排队而无法充电的“干等”时间，是运营损失的直接度量。
capacity constraint容量约束充电站充电桩数量、总充电功率的上限——预测必须“尊重”这个上限。
partial-communication framework部分通信框架只有一部分车会提前上报到达意向、其余车“不打招呼就来”的信息环境，更贴近现实。
Markovian queue马尔可夫队列经典的离散状态排队模型，状态按随机转移跳变，数学上精细但计算重。
deterministic differential equations确定性微分方程用连续速率描述系统状态随时间演化的方程，是流体模型的核心工具。
rolling horizon滚动时域每隔一段时间就更新一次预测与决策窗口，“边走边看”，适应动态环境。
customer anonymity客户匿名性不暴露单个车辆身份信息的要求——流体模型不区分个体，天然满足隐私需求。
benchmark基准方法用来对比的标准方法，相当于实验里的“对照组”，验证新方法是否更优。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
To support the adoption of electric transport systems, public charging opportunities are becoming increasingly important.
CN · 翻译
为了支持电动交通系统的普及，公共充电设施正变得越来越重要。
EN · 原文
In this dynamic environment, a central challenge for route planning and charging scheduling is forecasting charging-station availability under fluctuating demand.
CN · 翻译
在这一动态环境中，路径规划与充电调度的核心挑战，是在需求波动下预测充电站的可用性。
EN · 原文
In this work, we propose a fluid-based forecasting method that accounts for uncertainty in both known and unforeseen electric vehicle arrival patterns while respecting station capacity constraints.
CN · 翻译
本文提出一种基于流体（fluid）的预测方法：在尊重站点容量约束的同时，把已知与不可预见的电动汽车到达模式的不确定性都纳入考虑。
EN · 原文
We further evaluate the congestion forecasting method by applying it to an electric vehicle scheduling problem.
CN · 翻译
我们进一步把该拥堵预测方法应用到电动汽车调度问题中进行评估。
EN · 原文
Compared to scheduling frameworks that rely on standard baselines, charging schedules based on the fluid congestion forecasting model reduce waiting-related downtime by up to 14%.
CN · 翻译
与依赖标准基准的调度框架相比，基于流体拥堵预测模型的充电调度可将等待相关停机时间最多降低 14%。
EN · 原文
Finally, we quantify how increased knowledge of vehicle arrivals and different levels of station congestion affect overall system performance.
CN · 翻译
最后，我们量化了「对车辆到达的了解更多」与「站点拥堵水平不同」如何影响系统整体性能。

关键词 Keywords：Congestion Forecasting 拥堵预测 ｜ Fluid Queues 流体队列 ｜ Electric Vehicle Charging Scheduling 电动汽车充电调度 ｜ Charging Station Availability 充电站可用性

四、引言精选（为什么这个问题重要）

① 背景：基础设施就位之后，问题转向“高效利用”

EN · 原文
The electrification of the transport sector has grown significantly in recent years [5]. To support large-scale adoption, increasing investments are being directed toward public charging infrastructure to provide reliable en-route charging opportunities, particularly for long-distance travel [5]. With the infrastructure in place, the problem now shifts toward its efficient utilization.
CN · 翻译
近年来交通部门电气化显著加速 [5]。为支持大规模普及，越来越多投资正流向公共充电基础设施，为长途出行提供可靠的途中充电机会 [5]。基础设施就位之后，问题就转向了如何高效利用它。

② 缺口：现有研究几乎不做“未来时段的充电站可用性预测”

EN · 原文
In these works, an important aspect that has not been fully addressed is the forecasting of charging station availability, both at the time of planning and over a future time horizon. Route-planning applications for Electric Vehicles in long-distance travel, such as “A Better Route Planner” [1], and “Chargemap” [3], provide real-time information on charging-port availability, but rarely offer predictive forecasts. In line with this, [8] notes that most studies on Electric Vehicle operational planning assume instantaneous and unconditional service. Accounting for future congestion is inherently difficult, as integrating realistic forecasting into operational models is often hindered by highly fluctuating and uncertain demand profiles.
CN · 翻译
这些工作中有一个重要方面没有被充分解决：充电站可用性的预测——既包括规划时刻的可用性，也包括未来时段的可用性。长途出行的路径规划应用（如 “A Better Route Planner” [1]、"Chargemap" [3]）提供的是充电口可用性的实时信息，几乎不做预测性预报。与此一致，[8] 指出大多数电动汽车运行规划研究都假设“瞬时、无条件的服务”。把未来拥堵纳入考虑本质上很难，因为把真实预测融入运行模型，常被高度波动、充满不确定的需求曲线所阻碍。

③ 本文定位：部分通信框架下的流体可用性预测

EN · 原文
In this study, we therefore construct an availability fluid-queuing-based forecast that explicitly accounts for uncertainty in Electric Vehicle arrivals within a partial-communication framework. The proposed method accounts for both vehicles that communicate their arrival intentions and those that arrive without prior notice.
CN · 翻译
因此，本研究构建了一种基于流体队列的可用性预测，在部分通信框架下显式地考虑电动汽车到达的不确定性。所提方法同时处理两类车辆：提前上报到达意向的车，以及不打招呼直接到场的车。

④ 为什么流体模型合适：连续、匿名、天然去中心化

EN · 原文
Fluid models have been widely adopted for approximations of discrete stochastic systems [14]. In contrast to discrete-state-space queuing models such as Markovian queues, the state and state transitions of fluid models are continuous and evolve according to a set of rate-based deterministic differential equations. Fluid models do not distinguish between discrete entities, which is particularly useful for information-sensitive environments that require customer anonymity. As will be shown later in this paper, the fluid model naturally decentralizes Electric Vehicles charging interactions and complex queuing dynamics into aggregated station availability estimates on a rolling horizon. This architecture allows each Electric Vehicle to compute its charging plans individually while still accounting for other Electric Vehicles charging behavior.
CN · 翻译
流体模型已被广泛用于近似离散随机系统 [14]。与马尔可夫队列这类离散状态空间排队模型不同，流体模型的状态与状态转移是连续的，按一组基于速率的确定性微分方程演化。流体模型不区分离散个体，这对需要客户匿名性的信息敏感环境特别有用。如后文所示，流体模型能把电动汽车充电交互与复杂排队动力学，自然地分散为滚动时域上的聚合站点可用性估计。这种架构允许每辆电动汽车独立计算自己的充电计划，同时仍然考虑其他车辆的充电行为。
💡 这是全文最有味道的一句：“Fluid models do not distinguish between discrete entities, which is particularly useful for information-sensitive environments that require customer anonymity.”——建模的“粗粒度”不是缺点，反而是隐私与去中心化场景下的优点。看问题要先问“需要多细的粒度”。

五、论文贡献（3 个要点）

EN · 原文
1. A fluid queuing availability forecast. We developed a fluid queuing model to estimate charging station availability forecasts under congestion dynamics, filling the gap of integrating realistic, forward-looking congestion estimates into operational models that traditionally assume instantaneous and unconditional service.
CN · 翻译
1. 流体队列可用性预测。开发了流体排队模型，在拥堵动态下估计充电站可用性预测，填补了“把真实、前瞻性的拥堵估计融入传统上假设瞬时无条件服务的运行模型”这一空白。
EN · 原文
2. Proven scheduling gains. We demonstrate the effectiveness of the proposed forecast model, which reduces waiting-related downtime by up to 14% when compared to other benchmarks.
CN · 翻译
2. 经证实的调度收益。我们证明了所提预测模型的有效性：与其他基准相比，等待相关停机时间最多降低 14%。
EN · 原文
3. Systematic analysis of operating behavior. Applying the proposed model, we analyze station operating behavior and scheduling effectiveness in terms of planning improvements and schedule deviations, considering the effects of congestion level, station size, and knowledge of Electric Vehicle arrivals.
CN · 翻译
3. 运行行为的系统分析。应用所提模型，我们从规划改进与调度偏差的角度分析站点运行行为与调度有效性，并考察拥堵水平、站点规模、对车辆到达的知晓程度三者的影响。

六、结论中英对照

EN · 原文
A primary source of uncertainty for public charging availability is the fluctuating demand and uncertainty in Electric Vehicle arrivals. This study employs a fluid queuing model to forecast charging station availability in terms of expected waiting time and available charging power.
CN · 翻译
公共充电可用性的主要不确定性来源，是需求的波动与电动汽车到达的不确定性。本研究采用流体排队模型，以期望等待时间与可用充电功率的形式预测充电站可用性。
EN · 原文
For effective scheduling of Electric Vehicles, results show that vehicle-to-station communication becomes especially relevant for smaller charging stations with fewer chargers. In such cases, having access to station availability information can reduce waiting-related downtime by up to 14%. Our results also suggest that stations operating above an average congestion level of 50%50% benefit significantly from vehicle-to-station communication, which reduces the risk of substantial Electric Vehicle charging overhead. Furthermore, increasing access to Electric Vehicle arrival information enables more efficient and robust charging schedules in terms of standard deviation and worst-case outcomes, while also reducing the average experienced downtime by 10-13%.
CN · 翻译
对电动汽车的有效调度而言，结果表明车—站通信对充电桩较少的小型充电站尤其重要。这种情况下，能获取站点可用性信息可使等待相关停机时间最多降低 14%。结果还表明，平均拥堵水平超过 50% 的站点能显著受益于车—站通信，从而降低电动汽车大量充电开销的风险。此外，对车辆到达信息掌握得越多，调度方案在标准差与最坏情况下都更高效、更稳健，同时平均停机时间还降低 10-13%。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：电动车长途出行，最怕到充电站发现“全满，排队两小时”。现在的地图 App 只告诉你“此刻”有没有空桩，不告诉你“两小时后”会不会堵。可调度恰恰需要未来的信息。
  2. 难点：充电站的需求波动大、车辆到达说不准，而且不是每辆车都愿意提前报备“我要来充电”。既有模型要么假设“车都听指挥”，要么假设“完全不知道”，都太极端。
  3. 做法：用“流体队列”把充电站看成一个水池——车流像水流一样进进出出，用微分方程描述“水位”（排队长度、可用功率）随时间的变化。不逐辆车模拟，计算轻、还保护隐私。
  4. 结果：把拥堵预测喂给调度算法，等待时间最多省 14%；而且发现“通信信息”的价值不是均匀的——小站、高拥堵站（平均拥堵超 50%）收益最大。
  5. 最值钱的视角：信息是有价格的。论文量化了“多知道一点车辆到达信息”能带来多少收益（停机时间再降 10-13%），这种“信息价值分析”在电网与交通系统里越来越吃香。
🎯 对保研的启示：这篇论文示范了“建模粒度”的思维方式——什么时候该精细（逐车模拟），什么时候该粗粒度（流体近似）？复试时能讲清楚“为什么用流体而不是逐车排队论”，比背十个模型名更能体现工程直觉。另外，“部分通信”的设定非常贴近真实工程，这种“不理想但现实”的问题意识是导师们最看重的。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么现有预测做不了未来可用性」以及「通信信息价值为什么因站而异」。
  3. 第三遍（30 分钟）：回看引言第④段与结论，跳过所有公式和编号，只读文字描述；尝试自己复述“流体模型为什么能预测拥堵”；不懂的术语回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（up to 14%、10-13%）和术语（fluid queue、charging station availability、congestion）。