شبكة تجميع ميزات متعددة الأبعاد لتوقع طلب شحن السيارات الكهربائية

لماذا تكتسب توقعات الشحن الأذكى أهمية

مع انتشار السيارات الكهربائية في مدننا، يصبح الفعل البسيط المتمثل في توصيل الكابل لغزًا معقدًا. تحتاج شركات الطاقة ومخططو المدن إلى ضمان وجود شواحن في المواقع المناسبة، وقدرة الشبكة على استيعاب الأحمال، وأن الأسعار تشجع السائقين على الشحن في الأوقات الأفضل. يقدم هذا البحث طريقة جديدة لتوقع متى وأين سيحتاج السائقون إلى الشحن، بهدف جعل هذه التوقعات أكثر دقة وأسرع وأرخص حسابيًا.

تحدي تخمين منافذ الشحن غدًا

قد يبدو توقع طلب شحن السيارات الكهربائية أمرًا بسيطًا: انظر إلى الاستخدام السابق وتنبأ بالمستقبل. لكن الواقع معقَّد بسبب أنماط متداخلة كثيرة. تؤثر المحطات في الأحياء القريبة على بعضها البعض لأن السائقين يمكنهم الاختيار بينها. يرتفع وينخفض الطلب على الشحن خلال اليوم والأسبوع في إيقاعات منتظمة. بالإضافة إلى ذلك، عوامل خارجية مثل أسعار الكهرباء، والطقس، والعطلات، وحركة المرور تدفع اختيارات السائقين. تركز العديد من طرق التنبؤ الحديثة أساسًا على الجغرافيا والزمن، لكنها تتعامل مع هذه التأثيرات الإضافية واحدة تلو الأخرى، فتفشل في التقاط كيفية تفاعلها معًا ومع مرور الوقت. ويستعين البعض الآخر بقواعد مفصّلة «مستنيرة بالفيزياء» حول سلوك الأسعار والطلب، ما قد يحسّن الدقة لكنه غالبًا ما يتطلب حسابات كثيفة ومعرفة مسبقة مفصّلة.

طريقة جديدة لدمج إشارات متعددة

يقترح المؤلفون نموذجًا يُسمى شبكة تجميع الميزات متعددة الأبعاد، أو MDFANet، مُصمَّمًا خصيصًا لطلب الشحن الحضري. بدلًا من إدخال البيانات الخام مباشرة في نموذج مكثف مكاني-زمني، يمرر MDFANet البيانات أولًا عبر مرحلة مخصّصة «لتعزيز الميزات». في هذه المرحلة، ينظر النموذج على طول المحور الزمني وعبر المتغيرات المختلفة—مثل الطلب والسعر وميزات أخرى—لاستخلاص «نواة ميزة» مدمجة تلتقط كيفية تحرك هذه الإشارات معًا. ثم تُعاد هذه النواة إلى الإدخالات الأصلية، منتِجةً وصفًا أغنى لكن لا يزال خفيف الوزن للبيانات يمكن للمكونات التالية أن تتعلم منه بسهولة أكبر.

كيف يتعلم النموذج مدنًا في حالة حركة

بعد تعزيز الميزات، يطبق MDFANet وحدة مكانية-زمانية من جزأين. أولًا، تركز شبكة انتباه مبنية على الرسم البياني على العلاقات بين مناطق المدينة، مع إعطاء وزن أكبر للمناطق التي تكون سلوكيات الشحن فيها أكثر إفادة لكل منطقة هدف. تساعد رؤوس انتباه متعددة النموذج على مراعاة عدة أنواع من التأثير المكاني في آن واحد، في حين أن رابطًا احتياطيًا خاصًا يمنع ضياع التفاصيل المهمة عند تكديس الطبقات. بعد ذلك، يُنمذِج موديول السلاسل الزمنية التكراري كيف تتغيّر هذه الميزات المجهّزة بمعلومات مكانية عبر الوقت، متعلمًا أنماطًا قصيرة وطويلة الأمد في سلوك الشحن. أخيرًا، يقوم مُفكِّك بسيط بترجمة التمثيل الداخلي المتعلم إلى توقعات لطلب الشحن المستقبلي عند مدد زمنية مختلفة، من 15 دقيقة وحتى ساعة مقدّمًا.

تجريب الطريقة واختبارها

قيّم الباحثون MDFANet على مجموعة بيانات عامة من شنتشن في الصين، تسجل طلب الشحن والأسعار في الوقت الحقيقي كل خمس دقائق عبر 247 منطقة. قارنوا نموذجهم مع مجموعة من الأساليب، بما في ذلك أدوات إحصائية تقليدية، وشبكات تعلم عميق قياسية، ونماذج مبنية على الرسوم البيانية، وأحدث نموذج مستنير بالفيزياء كمرجع. عبر أربعة مقاييس دقة شائعة، حقق MDFANet باستمرار أخطاء تنبؤ أقل من جميع المنافسين، بما في ذلك النموذج المستنير بالفيزياء PIAST. وفي الوقت نفسه، احتاج MDFANet تقريبًا نصف زمن التدريب لتلك الطرائق المستنيرة بالفيزياء تحت نفس الأجهزة وجدول التدريب. أظهرت اختبارات أُجريت بإزالة أجزاء من النموذج أن كلًا من وحدة تجميع الميزات والوحدة المكانية-الزمانية ضروريان للوصول إلى أفضل أداء. كما أظهرت تجارب إضافية بتقليل كمية بيانات التدريب أن أداء MDFANet يتناقص بسلاسة، محافظًا على دقة مفيدة حتى عندما يتوفر نصف البيانات الأصلية فقط.

ماذا يعني هذا للسائقين والمدن

بعبارة بسيطة، يُظهِر هذا العمل أننا نستطيع الحصول على توقعات أفضل وأسرع لمتى وأين ستحتاج السيارات الكهربائية إلى الشحن عن طريق مزج جميع الإشارات المختلفة في البيانات بعناية، ثم تعلم كيف تتفاعل المواقع والأزمنة. بالنسبة لمخططي المدن ومشغلي الشبكات، يمكن أن تدعم التنبؤات الأكثر دقة وكفاءة وضع شواحن أكثر ذكاءً، وتشغيلًا أكثر سلاسة للشبكة، وأنظمة تسعير أكثر استجابة. وبالنسبة للسائقين، قد يترجم ذلك إلى أوقات انتظار أقصر وإتاحة الشواحن بشكل أكثر موثوقية. لا يزال الاعتماد الأكبر للدراسة على سجلات الشحن والأسعار الماضية، ويشير المؤلفون إلى أن الإصدارات المستقبلية ينبغي أن تدرج سياقًا أغنى مثل الطقس وحركة المرور. ومع ذلك، تشير نتائجهم إلى أن نماذج بياناتية مصممة بعناية مثل MDFANet يمكن أن تساعد المدن على مواكبة النمو السريع للسيارات الكهربائية.

الاستشهاد: Yu, Y., He, L., Yu, Z. et al. A multi-dimensional feature aggregation network for electric vehicle charging demand prediction. Sci Rep 16, 13181 (2026). https://doi.org/10.1038/s41598-026-38855-3

الكلمات المفتاحية: شحن السيارات الكهربائية, توقع الطلب, النمذجة المكانية-الزمنية, التعلّم العميق, الشبكة الذكية