محول الدمج متعدد المقاييس لتنبؤ حمل محطات شحن المركبات الكهربائية

لماذا يُهمّ شحن المركبات الكهربائية الأذكى

مع انتشار المركبات الكهربائية في المدن، أصبحت عادات شحنها ذات أهمية للشبكة الكهربائية بِقدر ما تهمّ حركة الذروة في الطرق. إذا شبك العديد من السائقين الشواحن في وقت واحد، قد تتعرّض الكابلات والمحولات المحلية للضغط؛ وإذا عرف مشغلو الشبكة مسبقًا متى وأين ستحدث ذروة الشحن، يمكنهم موازنة العرض، وتجنّب الانقطاعات وحتى استخدام المركبات كمصادر طاقة مرنة. تقدّم هذه الورقة طريقة جديدة لتوقع مدى انشغال محطات شحن المركبات الكهربائية خلال اليوم إلى الأربعة أيام القادمة، بهدف منح مخططي الشبكة وشركات الشحن رؤية أوضح للمستقبل.

تحدي التنبؤ بالمقابس غدًا

التنبؤ بطلب الشحن للمركبات الكهربائية أصعب مما يظن المرء. يقرر السائقون توقيت الشحن بناءً على جداول العمل والطقس والمهام وحتى زحام المرور، مما يجعل الحمل الكلي في المحطة يتقلب صعودًا وهبوطًا بطريقة تبدو عشوائية. الأدوات الإحصائية التقليدية، التي تعمل جيدًا مع الأنماط الأكثر سلاسة، تُكافح مع هذه التقلبات الحادة ومع خليط التأثيرات من خارج نظام الطاقة. حتى النهُج الحديثة في التعلم العميق، مثل الشبكات العصبية المتكررة ونماذج المحول القياسية، غالبًا ما تلتقط إما الاتجاهات طويلة الأمد أو الاضطرابات قصيرة الأمد، لكن ليس كلاهما معًا، وعادةً ما تتعامل مع العوامل الخارجية مثل الطقس والمرور بطريقة سطحية إلى حد ما.

نموذج جديد يرى الزمن بطبقات

لمواجهة هذه القضايا، يصمم المؤلفون محول دمج متعدد المقاييس (MFT)، وهو نموذج تعلم آلي مُخصَّص لمحطات شحن المركبات الكهربائية. في جوهره توجد آلية «متعددة المقاييس» تتيح للنموذج النظر إلى بيانات الشحن السابقة بعدة عدسات في الوقت نفسه. تركز عدسة واحدة على التغيرات العريضة والبطيئة على مدى أيام؛ وتقترب عدسة أخرى من التقلبات السريعة ساعة بساعة؛ وتقع عدسات أخرى في نطاقات متوسطة. من خلال توجيه رؤوس الانتباه المنفصلة داخل النموذج للتخصص في مقاييس زمنية مختلفة، ثم دمج وجهات نظرها، يستطيع MFT تتبع كل من الإيقاع العام للشحن والتفاصيل الدقيقة للذروات والانخفاضات المفاجئة بفعالية أكبر من محول قياسي.

تعليم النموذج ما يعنيه الطقس والمرور فعلاً

لا يعتمد طلب الشحن على الزمن وحده. باستخدام بيانات من منطقة سكنية كبيرة في النرويج، يضيف الباحثون 14 ميزة خارجية إلى النموذج، بما في ذلك درجات الحرارة والرياح وهطول الأمطار وشدة الشمس وعدد المركبات المتحركة عبر عدة مناطق مجاورة كل ساعة. أولًا، يجرون مسحًا إحصائيًا واسعًا لمعرفة مدى ارتباط كل عامل بالشحن عبر كامل مجموعة البيانات. على سبيل المثال، يظهر أن أشعة الشمس لها علاقة سلبية ملحوظة: الأيام الأكثر إشراقًا غالبًا ما تعني أحداث شحن أقل هناك. تنتج هذه التحليلات مجموعة أوزان أهمية أساسية تُخبر النموذج، بالمصطلحات العامة، أي العوامل تميل لأن تكون أكثر تأثيرًا وأيها أقل تأثيرًا.

تمكين النموذج من التكيف ساعة بساعة

طبعًا، قد يكسر أي يوم فردي النمط المتوسط: أحيانًا يكون الطقس هادئًا لكن المرور فوضوي، أو العكس. للتكيف مع هذه التحولات، يتضمّن MFT وحدة دمج متعددة المتغيرات تضبط أوزان السمات لكل توقع. يستخدم خطوة انتباه متقاطع حيث "تستعلم" نمطيات الشحن الحالية البيانات الخارجية، محددة أي إشارات الطقس أو المرور هي الأكثر صلة الآن. ثم يمزج النموذج هذه الإشارات إلى تمثيل مُكثف للعالم الخارجي، يجمعه مع النظرة متعددة المقاييس للأحمال السابقة. يحوّل محول فك الترميز اللاحق هذه الصورة المشتركة إلى توقعات للساعات الأربع والعشرين أو الثمان والأربعين أو الثانية والسبعين أو السادسة والتسعين القادمة.

مدى أداء النهج الجديد

يدرّب الفريق ويختبر نموذج MFT باستخدام بيانات بالساعة الحقيقية، ويقارنه بنماذج توقع معروفة مثل GRU وLSTM وLSTM ثنائي الاتجاه ومحرك محول قياسي. عبر جميع آفاق التنبؤ ومقاييس الخطأ، يخرج النموذج الجديد في الصدارة، وتزداد ميزته كلما امتدّ التنبؤ أبعد في المستقبل. في المتوسط، يخفض MFT مقاييس الخطأ الأساسية بأكثر من 20 بالمئة مقارنةً بالشبكات المتكررة وبنحو 10 بالمئة مقارنةً بالمحول العادي. والأهم من ذلك، أنه يحافظ على دقة مستقرة حتى لتنبؤات 72 و96 ساعة، بينما تميل النماذج الأخرى إلى الانجراف والتأخر عن تقلبات الحمل الفعلية.

ماذا يعني هذا لاستهلاك الطاقة اليومي

بالنسبة لغير المتخصصين، الخلاصة أن رياضيات أفضل يمكن أن تجعل شحن المركبات الكهربائية أكثر موثوقية وكفاءة بشكل هادئ. من خلال الجمع بين رؤية زمنية متعددة الطبقات وفهم مرن للطقس والمرور، يوفر محول الدمج متعدد المقاييس لمشغلي الشبكة توقعًا أكثر دقة لمدى استخدام المحطات في الأيام القادمة. وهذا بدوره يمكن أن يدعم جدولة أذكى لمحطات التوليد، ودمجًا أكثر سلاسة للطاقة المتجددة، وتحديد مواقع شواحن جديدة بمزيد من المعلومات. مع تزايد تبني المركبات الكهربائية وإضافة نماذج مستقبلية لسلوك البطارية في الصورة، قد تصبح أدوات مثل MFT مكونات أساسية للحفاظ على النقل الكهربائي مريحًا للسائقين وصديقًا للشبكة.

الاستشهاد: Liu, W., Qiao, J., Wang, W. et al. Multi-scale fusion transformer for EV charging station load prediction. Sci Rep 16, 8609 (2026). https://doi.org/10.1038/s41598-026-38562-z

الكلمات المفتاحية: شحن المركبات الكهربائية, توقع الأحمال, التعلم العميق, نموذج المحول, الشبكة الذكية