需要的同学私信联系，推荐关注上面图片右下角的订阅号平台 自取下载。

随着我国新能源汽车市场的蓬勃发展，充电桩的需求量日益增加，充电桩的智能化程度不仅影响充电站运营商的经营效益，也大大影响着用户的充电体验。AI技术可以涵盖充电站/充电桩从车辆进场、充电中、充电完成离场的全流程算法方案赋能，目标检测、语义分割等AI技术可以识别充电桩产品零件中缺陷；AI预测性维护技术可以对充电桩进行实时感知，进行相应的预测并发出警报；AI时空预测技术还可以建模充电桩使用电量，提高充电桩的使用率。

AI+新能源充电桩可以促进充电桩领域的人工智能技术产、学、研、用协作，引领行业技术创新，助力新能源充电桩的高质量发展，进一步推广人工智能与充电桩领域的融合创新应用。因此小编在这里整理了一份AI+新能源充电桩数据集，共包含7+细分场景数据集，助力AI+新能源充电桩领域的研究与创新。来吧，涨涨姿势~

1. California EV Charging Dataset

2. South Korea EV Charging Dataset

3. 深圳市充电桩时空需求数据集

4. 广州市充电桩占用率数据集

5. 新能源充电桩故障检测数据集

6. 居民家用新能源充电桩数据集

7. 新能源充电站负荷预测数据集

01

—

California EV Charging Dataset

【数据背景】Palo Alto EV充电站数据集提供了加利福尼亚州帕洛阿尔托市电动汽车（EV）充电站的使用模式数据，研究人员可以利用该数据集研究收费行为，开发预测模型，并提出优化充电站放置的策略。企业可以使用数据来确定扩大充电基础架构并改善用户体验的机会。Palo Alto EV充电站通过数据驱动的方法来支持EV基础架构计划和管理，从而支持可持续的移动性计划。它使利益相关者有能力做出明智的决定，增强电动汽车充电生态系统，并为更广泛的电动汽车采用，以实现更绿色可持续的未来。

【应用领域】AI+充电站模式管理

【文件目录】包含以下所示的文件：

EVChargingStation.csv：数据文件夹

eda-evchargingpaloaltoca.ipynb：eda分析

【数据说明】包括有关充电站位置的详细信息、可用的充电连接器类型、充电会话持续时间、能源消耗和其他相关指标，使用户能够分析趋势，确定峰值使用时间，评估基础架构性能以及开发数据驱动的解决方案，以提高EV充电服务的效率和可访问性。EVChargingStation.csv将每个充电会话的所有字段数据存档为单个数据点，数据收集开始日期为2011年7月29日，结束日期为2020年12月31日，数据持续时间达9年多，所有可用数据都以逗号分隔值（csv）文件的形式逐行保存，所包含的主要数据字段如下所示：

1. Station Name：充电站名字；

2. MAC Address：充电桩的MAC地址；

2. Org Name：城市名字；

3. Start Date：开始充电的时间戳；

4. Start Time Zone：进行充电所在的时区；

5. End Date：充电结束的时间戳；

6. End Time Zone：结束充电所在的时区；

7. Transaction Date (Pacific Time)：交易时间（太平洋时间）；

8. Total Duration (hh:mm:ss)：充电会话的总持续时间；

9. Charging Time (hh:mm:ss)：充电持续时间；

10. Energy (kWh)：充电会话的能源消耗量；

11. GHG Savings (kg)：温室气体储蓄（单位kg）；

12. Gasoline Savings (gallons)：汽油储蓄（单位加仑）；

13. Port Type：充电桩类型；

14. Port Number：充电桩序号；

15. Latitude：充电会话所处的纬度；

16. Longitude：充电会话所处的经度；

17. Currency：交易货币；

18. Fee：费用；

19. User ID：用户ID。

02

—

South Korea EV Charging Dataset

【数据背景】这里公开了一个超大体量的电动汽车充电交易数据集，可以用于从电动汽车充电桩和用户角度进行多方面分析。整个数据集收集的来自2238名电动汽车用户和2119个充电桩的72856例充电会话。数据集包括充电运营公司年度商业运营期间发生的整个会话，具体包括标识符、充电桩位置、充电桩类别等。该数据集可用于电力系统和市场的多种运作方式，包括电动汽车充电服务业务、充电桩安装选址、充电需求交易以及电动汽车相关基础设施的长期投资规划等等。

【应用领域】AI+智慧充电服务

【文件目录】包含以下所示的文件：

ChargingRecords.csv：充电会话数据

Code：参考代码

- dataset upload.R

- Data ststistics (EV charging sessions).R

- Plotting charging probability profiles (EV charger).R

- Plotting charging probability profiles (EV user).R

- EV user statistics.R

- Data generation (departure time, arrival time).R

s41597-024-02942-9.pdf：数据集参考论文

【数据说明】整个数据集包括2337个电动汽车用户、2119个充电桩和72856个充电会话。数据集以逗号分隔值（CSV）的形式提供。特别的是，ID记录为0的电动汽车用户指的是本研究中未订阅商业运营公司的客户。由于数据的预处理方法需要根据各种研究目的加以应用，因此这里提供的是未经预处理的原始数据。数据集共包含16列，包括ChargingsessionID、UserID、ChargerID、ChargerCompany、Location、ChargerType、ChargerCapacity、ChargerCDC、StartDay、StartTime、EndDay、EndTime、SrartDatetime、EndDatetime、Duration和Demand，行数对应于独立会话的数量，包括2021年9月30日至2022年9月31日各充电桩商业运营期间发生的所有充电会话。具体地，CSV包含的数据字段如下所示：

1. ChargingsessionID：充电会话ID；

2. UserID：用户ID，其中0表示其它公司用户，1–2337表示公司用户；

3. ChargerID：充电桩ID；

4. ChargerCompany：充电桩公司标识，0表示其它，1表示本公司；

5. Location：充电桩安装位置的地点类型（包含accommodation、apartment、bus garage、camping、company、golf、hotel、market、public area、public institution、public parking lot、resort、restaurant和 sightseeing）；

6. ChargerType：充电桩类型，1表示快充，0表示慢充；

7. ChargerCapacity：充电容量；

8. ChargerACDC：充电桩类型，AC/DC；

9. StartDay：充电桩会话的起始日期，格式为YYYY-MM-DD；

10. StartTime：充电桩会话的起始时间戳，格式为HH:MM:SS；

11. EndDay：充电桩会话的结束日期，格式为YYYY-MM-DD；

12. EndTime：充电桩会话的结束时间戳，格式为HH:MM:SS；

13. StartDatetime：充电桩会话起始时间的完整时间戳，格式为YYYY-MM-DD HH:MM:SS；

14. EndDatetime：充电桩会话结束时间的完整时间戳，格式为YYYY-MM-DD HH:MM:SS；

15. Duration：充电桩会话持续时间，单位为min；

16. Demand：充电会话的电动汽车充电量，单位为kWh。

下图为每个充电桩安装位置的每日耦合概率估计。安装在accommodation、apartment、hotel、camping和resort等地点的充电桩往往在晚上和晚些时候充电，其它地点往往在白天有充电行为。

如下图所示，一周中各天的充电模式都非常相似，但bus garages除外，它们只有零星的充电模式。此外，company、public institution和apartment都有工作日周末模式。

03

—

深圳市充电桩时空需求数据集

【数据背景】充电需求时空预测已受到越来越多的研究关注，尤其是智能充电桩领域，因其提供的未来信息能够很好地帮助政策制定。随着近年来电动汽车保有量的爆炸性增长，电动汽车充电需求的时空预测却缺少一个数据质量良好的城市级别数据集，导致在该方向上的很多重要研究（比如动态充电定价、充电桩推荐等等）受到了阻碍。为了填补这一研究空缺，这里收集和整理了一个来自深圳市18061个公共充电桩的时空需求数据集。

【应用领域】AI+充电桩时空需求预测

【文件目录】包含以下所示的文件：

Data Files

- adj.csv

- distance.csv

- information.csv

- occupancy.csv

- price.csv

- time.csv

- Shenzhen.qgz

Charging-ST-EVCDP：参考项目代码

- checkpoints

- datasets

- figs

- results

- baselines.py

- functions.py

- learner.py

- main.py

- models.py

- plot.py

- README.md

- requirements.txt

2309.05259.pdf：数据集参考论文

【数据描述】数据采集来自深圳市18061个公共充电桩一个月（2022年6月19日—2022年7月18日）的使用记录 。在时序维度，数据集的时间颗粒度为5min，共有8640个时间戳。在空间维度，它覆盖了深圳市的247个交通区域（节点）及其 1006条相邻关系（边）。此外，该数据集还包括了各个区域所采用的充电定价方案：在这247个交通区中，有57个（红线框内）采用分时段收费方案，其它则采用固定收费方案，更多详情见下表。

Datasets共包含7份CSV数据文件，所记录的具体数据如下：

1. adj.csv：研究区域的相邻矩阵，1表示两个交通区域相邻，反之不相邻

2. distance.csv：节点之间的距离

3. information.csv：数据基本信息，包括桩容量、经度、纬度、是否位于中央商务区（1:是，0:否）以及是否基于时间定价方案（1:是，0:否）

4. occupancy.csv：研究区域的实时电动汽车充电占用率

5. price.csv：研究地区的实时电动汽车充电定价

6. time.csv：研究期间的时间戳

7. Shenzhen.qgz：深圳市QGIS地图文件，存储的是深圳市交通小区数据，使用免费轻量版工具QGIS即可打开。

这项研究中使用的数据来自可用的移动应用程序，该应用程序提供了充电桩的实时可用性（即是否闲置）。在中国深圳，2022年6月19日至7月18日（30天）的研究期间，总共涵盖了18061个充电桩，同时收集了充电桩的定价方案。出于分析目的，将数据组织为充电需求和充电价格，每5min就会对深圳247个交通区进行数据记录。从空间的角度来看，所有研究的交通区域都与相邻的社区连接，以形成具有247个节点和1006个边缘的图数据集。从时间的角度来看，总共8640个时间戳的评估数据分为训练，验证和测试集，其比例为6：2：2。此外，每种方法都配置为单独运行，以支持在4个不同的时间间隔（即15、30、45和60分钟）中预测充电需求。

下图为基于该数据集的IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS已发表顶刊论文2309.05259.pdf，所提出的PAG算法，它是一种具有物理信息和基于注意力的预测模型，用于电动汽车充电的时空需求预测，预测还包括其它代表性方法如LSTM，GCN-LSTM，GAT-LSTM。我们还可以通过以下程序命令训练和测试模型：

1. 在main.py的第45行中选择模型，或通过跳过此过程来使用默认模型（PAG）；

2. 通过pycharm等运行main.py或更改root_path和命令：cd [path] && python main.py。

04

—

广州市充电桩占用率数据集

【数据背景】电动汽车数量的快速增长导致了各种与充电相关的问题，如公共充电桩短缺、寻找可用充电桩的不便、不必要的巡航搜索可用充电桩导致的额外交通拥堵等。由于仅建造新的充电桩可能无法显著提高充电效率，因此预测充电站占用率的方法作为解决这些问题的有效手段被广泛讨论。然而，在利用分布式数据训练高效模型、提高收敛速度和增强模型泛化能力方面遇到了一些挑战。

【应用领域】AI+充电桩占用率预测

【文件目录】包含以下所示的文件：

Dataset

- guangzhou

-- test

--- 89086.xlsx

--- 89449.xlsx

--- ......

--- 89453.xlsx

-- train

--- 26323.xlsx

--- 26898.xlsx

--- ......

--- 88842.xlsx

- shenzhen

-- test

-- train

Charging-TWAFR-GRU：参考项目代码

- dataset

- client.py

- data_reader.py

- fedmeta.py

- main.py

- net.py

- README.md

Charging-Occupancy-Prediction.pdf：数据集参考论文

【数据说明】数据集包括中国广州35个充电站的充电桩占用率数据，其地理分布如下图所示：

该数据集的占用数据跨度为2021年12月10日至2022年1月7日，数据起始日期为2021年12月10日0点0分，数据结束日期为2022年1月7日23点55分，分别使用充电站id命名的xlsx格式的数据表保存充电站占用率数据，所有可用数据均逐行保存，数据间隔为5min，每个充电站有8352条占用记录，因此总共约有30万条记录，占用率可以通过工作充电桩数量/充电桩总数计算得到，每个数据表所包含的具体数据字段如下所示：

1. time：数据时间戳，格式为YYYY-MM-DD HH:MM:SS；

2. station_id：充电站ID；

3. total：充电桩总数；

4. free：可用充电桩数量；

5. busy：工作充电桩数量；

05

—

新能源充电桩故障检测数据集

【数据背景】随着电动汽车的大范围普及，充电桩的需求也在不断增加。充电桩是给电动汽车充电的主要装置，输入端与交流电网相连，输出端通过充电插头与电动汽车连接。充电桩提供人机交互操作界面，人们可以使用特定的充电卡通过输入模块进行相应的充电方式、充电时间、费用数据打印等操作。由于充电桩的使用环境复杂，设备故障频发，给充电桩运营公司和电动汽车用户带来了很大的不便，因此有效地充电桩故障检测能够实时监控充电桩运行状态，及时发现和处理故障的设备。

【应用领域】AI+充电桩故障检测

【文件目录】包含以下所示的文件：

Data Files

- data_train.csv：训练集

- data_test.csv：测试集

Code

- grid-search-cv.ipynb

- knn.ipynb

- logistics-regression.ipynb

【数据说明】数据集涉及新能源汽车充电桩的故障检测问题，其中data_train.csv为训练数据，包含85500条训练数据，标签为0代表充电桩正常，标签为1代表充电桩有故障；data_test.csv为测试数据，需要对36644条测试数据进行预测。训练集的数据格式为[id，K1K2驱动信号，电子锁驱动信号，急停信号，门禁信号，THDV-M，THDI-M，label]，字段间以逗号分隔，测试集的数据格式为[id，K1K2驱动信号，电子锁驱动信号，急停信号，门禁信号，THDV-M，THDI-M]，下面是具体的数据字段说明：

1. id：充电桩id；

2. K1K2驱动信号：K1K2驱动信号值；

3. 电子锁驱动信号：电子锁驱动信号值；

4. 急停信号：急停信号值；

5. 门禁信号：门禁信号值；

6. THDV-M：充电电压的总谐波失真值；

7. THDI-M：充电电量的总谐波失真值；

8. label：故障标签（0代表正常，1代表异常）。

06

—

居民家用新能源充电桩数据集

【数据背景】这里提供了真实世界的居民住宅楼中家用电动汽车的充电数据报告，数据报告包括充电会话的标识符、插入时间、插入时间和充电能量。充电负载具有小时分辨率，假设充电功率为3.6kW或7.2kW，并在插入后立即充电。非充电空闲时间反映了充电会话的灵活性潜力，空闲容量是空闲时间内可能充电的能量。小时充电负载和空闲容量既为个人用户提供，也为具有私人或共享充电点的用户提供。研究人员、能源分析师、充电桩运营商、住宅业主和政策制定者可以从数据集和分析中受益，有助于增加对居民住宅电动汽车充电特性的了解。这些数据为住宅家用充电提供了宝贵的见解，有助于充电桩充电负荷的预测建模、灵活性、规划活动。

【应用领域】AI+家用充电桩规划

【文件目录】包含以下所示的数据文件：

Data Files：数据文件夹

- Dataset 1_EV charging reports.csv

- Dataset 2_Hourly EV loads - Per user.csv

- Dataset 3a_Hourly EV loads - Aggregated private.csv

- Dataset 3b_Hourly EV loads - Aggregated shared.csv

- Dataset 4_AMS data from garage Bl2.csv

- Dataset 5_Local traffic distribution.csv

- Dataset 6_Norway_Trondheim_ExactLoc_Weather

Data in brief.pdf：数据集简介

S0378778821002073.pdf：数据集参考论文

【数据说明】数据收集来自于北欧国家挪威的一大型居民住宅单元楼收集的，该住宅单元楼有1113套公寓和2321名居民。电动汽车充电的基础设施从2018年12月开始安装，2018年12月至2020年1月，共有97个用户ID注册了充电会话。这些ID中的82个在该时段结束时仍然是有效活动的。该数据集使用了中欧时间（CET），即GMT+1，夏令时（DST）也适用。其中包含6个子数据集，具体介绍如下所示：

Dataset 1: EV charging reports

描述了2018年12月至2020年1月期间97个用户ID注册并使用的6878个充电会话。充电报告包括每次充电的插入时间、拔出时间和充电能量等。每个充电会话都连接到用户ID、充电桩ID和地址。充电桩ID是私人的或共享的，因为充电点（CP）要么位于居民的私人停车位上，要么位于可供所有注册用户的居民使用的共享停车区上。所有充电会话数据都以逗号分隔值（csv）文件的形式逐行保存，如下是具体的数据字段说明：

1.1 session_ID：充电会话ID（N=6878）

1.2 Garage_ID：车库地址ID，即充电桩ID（N=24）

1.3 User_ID：用户ID（N=97）

1.4 User_type：充电桩所有权，Private表示私有，Shared表示共享；

1.5 Start_plugin：充电插入时间，参考格式21.12.2018 10:20；

1.6 Start_plugin_hour：充电插入时钟时间（从00到23）；

1.7 End_plugout：充电拔出时间，格式同Start_plugin；

1.8 End_plugout_hour：充电拔出时钟时间（从00到23）；

1.9 El_kWh：充电耗能，单位为kWh；

1.10 Duration_hours：充电会话持续时间，单位为h；

1.11 month_start：充电插入月份（从Jan到Dec）

1.12 weekdays_start：充电插入星期数（从Monday到Sunday）；

1.13 Plugin_ category：充电插入时间的类别（每个类别持续三个小时，包括：early/late night, morning, afternoon, evening）；

1.14 Duration_category：充电持续时间的类别（包括：<3h, 3-6h, 6-9h, 9-12h, 12-15h, 15-18h, >18h）。

Dataset 2: Hourly EV loads - Per user

描述了每个用户和所有电动汽车充电会话的电动汽车充电负载和非充电空闲容量。假设充电功率为3.6 kW或7.2 kW，插入后立即充电。非充电空闲时间反映了充电会话的灵活性潜力，时间段为2018年12月至2020年1月，包括每个用户的所有活动小时数（不是每个用户的完整小时时间序列，而是充电负载或空闲容量的小时数）。所有充电会话数据都以逗号分隔值（csv）文件的形式逐行保存，如下是具体的数据字段说明：

2.1 date_from：会话开始时间，参考格式22.01.2019 19:00；

2.2 date_to：会话结束时间，格式同date_from；

2.3 User_ID：用户ID（N=97）；

2.4 session_ID：充电会话ID（N=6878）

2.5 Synthetic_3_6kW：假设单个用户充电功率为3.6kW情况下的小时充电负荷，单位为kW；

2.6 Synthetic_7_2kW：假设单个用户充电功率为7.2kW情况下的小时充电负荷，单位为kW；

2.7 Flex_3_6kW：假设单个用户充电功率为3.6kW情况下的小时空闲充电容量，单位为kW；

2.8 Flex_7_2kW：假设单个用户充电功率为7.2kW情况下的小时空闲充电容量，单位为kW。

Dataset 3a/3b: Hourly EV loads - Aggregated private or Shared

Dataset 3a和Dataset 3b描述了电动汽车充电负载和空闲容量，分别为拥有私人（3a）或共享（3b）的数据汇总。充电功率假设为3.6kW或7.2kW，插入后立即充电。数据时间段为2018年12月至2020年1月，是一个具有完整小时颗粒度的时间序列数据。所有充电会话数据都以逗号分隔值（csv）文件的形式逐行保存，如下是具体的数据字段说明：

3.1 date_from：会话开始时间，参考格式22.01.2019 19:00；

3.2 date_to：会话结束时间，格式同date_from；

3.3 weekday：星期数（从Monday到Sunday）；

3.4 month：月份（从Jan到Dec）

3.5 Synthetic_3_6kW：假设充电功率为3.6kW情况下，具有专用充电桩（3a）或共享充电桩（3b）的用户聚合小时充电负荷，单位为kW；

3.6 Synthetic_7_2kW：假设充电功率为7.2kW情况下，具有专用充电桩（3a）或共享充电桩（3b）的用户聚合小时充电负荷，单位为kW；

3.7 Flex_3_6kW：假设充电功率为3.6kW情况下，具有专用充电桩（3a）或共享充电桩（3b）的用户聚合小时空闲充电容量，单位为kW；

3.8 Flex_7_2kW：假设充电功率为7.2kW情况下，具有专用充电桩（3a）或共享充电桩（3b）的用户聚合小时空闲充电容量，单位为kW；

3.9 n_private：使用私有充电桩的用户ID数量（递增，从1至58）

3.10 n_shared：使用共享充电桩的用户ID数量（递增，从1至24）

Dataset 4：Hourly smart meter data from garage Bl2

电动汽车停放在24个地点，其中22个地点有一个AMS仪表，以每小时的分辨率测量该地点的电动汽车总充电量。其中包括主车库的AMS测量，33%的充电会话发生在主车库（即2243次充电会话）。Dataset4描述了来自Bl2车库的每小时智能电表数据，以及每小时的累计用电量。该数据集还包括同一车库的小时充电能源负荷。数据集的时间段为2019年1月至2020年1月，是一个具有完整小时颗粒度的时间序列数据。所有充电会话数据都以逗号分隔值（csv）文件的形式逐行保存，如下是具体的数据字段说明：

4.1 Garage_ID：车库地址ID，即充电桩ID（N=24）

4.2 date_from：会话开始时间，参考格式22.01.2019 19:00；

4.3 date_to：会话结束时间，格式同date_from；

4.4 month：记录月份（从Jan到Dec）

4.5 AMS_kWh：AMS电表测量的车库充电桩每小时的总用电量；

4.6 Synthetic_3_6kW：假设充电功率为3.6kW情况下，车库充电桩的用户聚合小时充电能量负荷，单位为kW；

4.7 Synthetic_7_2kW：假设充电功率为7.2kW情况下，车库充电桩的用户聚合小时充电能量负荷，单位为kW；

4.8 Simultaneous_if_3_6kW：假设所有会话都使用3.6kW充电功率的情况下的同时充电会话数，NA表示假定没有充电会话。

Dataset 5：Local traffic distribution

描述了居民住宅单元附近5个交通点的小时交通密度。数据集包括从2018年12月到2020年1月，每小时距离交通点小于5.6米内的车辆数量。所有数据都以逗号分隔值（csv）文件的形式逐行保存，如下是具体的数据字段说明：

5.1 date_from：开始时间，格式参考22.01.2019 19:00；

5.2 date_to：结束时间，格式同date_from；

5.3 KROPPAN BRU：距离KROPPAN BRU交通点小于5.6米的每小时车辆数量；

5.4 MOHOLTLIA：距离MOHOLTLIA交通点小于5.6米的每小时车辆数量；

5.5 SELSBAKK：距离SELSBAKK交通点小于5.6米的每小时车辆数量；

5.6 MOHOLT RAMPE 2：距离MOHOLT RAMPE 2交通点小于5.6米的每小时车辆数量；

5.7 Jonsvannsveien vest for Steinanvegen：距离Jonsvannsveien vest for Steinanvegen交通点小于5.6米的每小时车辆数量；

Dataset 6：Norway Local Weather Data

描述了挪威特隆赫姆的当地天气数据，数据集包括2018年12月1日至2020年1月31日的气温、降雨量等26个气象要素特征，是一个具有完整每天颗粒度的时间序列数据。所有数据都以列分隔的形式逐行保存，如下是具体的数据字段说明：

6.1 datetime：数据时间戳，参考格式2018-12-1；

6.2 clouds：日均云量；

6.3 dewpt：日均露点温度；

6.4 dhi：日均大气散射地表辐射；

6.5 dni：日均大气直射地表辐射；

6.6 ghi：日均地表水平总辐射；

6.7 max_dhi：当日最大大气散射地表辐射；

6.8 max_dni：当日最大大气直射地表辐射；

6.9 max_ghi：当日最大地表水平总辐射；

6.10 max_temp：当日最高温度；

6.11 max_temp_ts：最高温度时间戳；

6.12 max_uv：当日最大风速分量；

6.13 max_wind_dir：当日最大风向；

6.14 max_wind_spd：当日最大风速；

6.15 max_wind_spd_ts：最大风速时间戳；

6.16 min_temp：当日最低温度；

6.17 min_temp_ts：最低温度时间戳；

6.18 precip：日均降水量；

6.19 pres：日均气压；

6.20 rh：日均相对湿度；

6.21 slp：日均海平面气压；

6.22 snow：日均降雪量；

6.23 solar_rad：日照指数；

6.24 temp：日均气温；

6.25 wind_dir：日均风向；

6.26 wind_spd：日均风速。

07

—

新能源充电站负荷预测数据集

【数据背景】随着新能源汽车的快速发展，充电站作为支撑这一变革的重要基础设施，其能耗管理显得尤为关键。为了实现更高效的能源利用和优化运营成本，可以引入先进的AI算法，对充电站的能耗进行精准预测。通过大数据分析和机器学习，AI模型能够根据历史能耗数据、天气情况、交通流量等多种因素，预测未来的能耗趋势。这不仅有助于提升充电站的能源使用效率，还能为新能源汽车用户提供更加稳定可靠的充电服务。

【应用领域】AI+充电站能耗预测

【文件目录】包含以下所示的数据文件：

Data Files：数据文件夹

- Boulder_charging_load.csv

- EVnetNL_charging_load.csv

- PALO_charging_load.csv

- Perth1_charging_load.csv

- Perth2_charging_load.csv

MetaProbformer：参考项目代码

- data

- datasets

- exp

- fig

- models

- utils

- main.py

- README.md

- requirements.txt

【数据说明】该数据集为已发表论文《MetaProbformer for Charging Load Probabilistic Forecasting of Electric Vehicle Charging Stations》中的实验所采用的电动汽车充电站负荷预测数据集，共包含4个真实的充电负荷数据集：Boulder、EVnetNL、PALO和Perth。每个数据集都包含每个充电事件的开始和结束时间以及总能耗kWh，然后将每个原始数据转换为相应的数据集，包含1hr时间颗粒度内的平均充电负荷kW。

Boulder数据集的起始时间为2018-1-1 0:00，结束时间为2020-7-31 23:00，包含31个月的充电负荷数据。

EVnetNL数据集的起始时间为2019-1-1 0:00，结束时间为2019-12-31 23:00，包含12个月的充电负荷数据。

PALO数据集的起始时间为2011-7-29 0:00，结束时间为2011-12-5 16:00，包含4个月的充电负荷数据。

Perth数据集的起始时间为2016-9-1 0:00，结束时间为2018-8-31 23:00，包含24个月的充电负荷数据。

如下图所示，展示了上述4个数据集的充电负荷统计特征。

下图显示了从每个数据集采样的15天充电负荷曲线。

08

—

结束语

以上就是AI+新能源充电桩数据集的所有内容了，更多数据集下载请关注文章顶部图片右下角平台即可获取。