التنبؤ الزمني بحمل شحن السيارات الكهربائية باستخدام نموذج IVY-VMD-TCN-BiLSTM مع تقييم عابر للمناطق

لماذا تهم أنماط شحن السيارات الكهربائية

مع انتشار السيارات الكهربائية في شوارع المدينة، قد تضغط عادات شحنها على شبكات الكهرباء المحلية بطريقة مفاجئة وغير متوقعة. معرفة متى وأين سيقوم السائقون بالتوصيل مسبقًا أمر حيوي للحفاظ على استمرار الخدمة، وتجنب ترقيات مكلفة للشبكة، وتقديم خيارات شحن مريحة للسائقين. تقدم هذه الدراسة طريقة جديدة للتنبؤ بطلب شحن المركبات الكهربائية على المدى القصير في مدينة كبيرة، بهدف مساعدة شركات الكهرباء على التخطيط مسبقًا بدقة أكبر بكثير.

من التخمينات البسيطة إلى التنبؤات الغنية بالبيانات

كانت طرق التنبؤ القديمة تحاول غالبًا نمذجة كيفية تنقل الناس وشحنهم باستخدام قواعد مبسطة أو احتمالات. تواجه هذه الأساليب صعوبات في المدن الحديثة، حيث توزع محطات الشحن بصورة غير متساوية وتتغير السلوكيات بتأثير حركة المرور والطقس والأسعار. يلجأ المؤلفون بدلاً من ذلك إلى أدوات مدفوعة بالبيانات تتعلم الأنماط مباشرة من مجموعات بيانات كبيرة. يستخدمون سجلات شحن حقيقية من 275 منطقة في شنتشن، الصين، إلى جانب معلومات مثل درجة الحرارة والرطوبة وإشغال المحطات والأسعار، لبناء نظام تنبؤ أكثر مرونة يمكنه التكيف مع ظروف حضرية معقدة.

تفكيك إشارة صاخبة إلى قطع أوضح

يتذبذب طلب شحن السيارات الكهربائية بسبب جداول العمل وعطلات نهاية الأسبوع والعطل والطقس، مما يجعل التنبؤ صعبًا. لمواجهة ذلك، تنظف الدراسة أولاً بيانات التحميل وتعالجها باستخدام خطوة متقدمة لمعالجة الإشارات. تَجزئ الطريقة، المسماة تحليل الحالات المتغيرة (VMD)، منحنى الشحن الخام إلى عدة مكونات أبسط يلتقط كل منها إيقاعًا أو نمطًا معينًا. تختار إجراء بحث مستوحى من الطبيعة، نموذجيًا على طريقة نمو نبتة اللبلاب نحو الضوء، بشكل آلي عدد المكونات المطلوب استخراجها ومدة تحسينها. يقلل هذا من التخمين، ويصفِّي الضوضاء، ويسلّط الضوء على الدورات المنتظمة المخفية في البيانات.

ترك شبكتين زمنيتين تعملان معًا

بعد فصل إشارة الشحن إلى قطع أكثر سلاسة، تُغذى كل قطعة إلى محرك تنبؤ يجمع نوعين من الشبكات العصبية. الأولى، شبكة الالتفاف الزمنية (TCN)، جيدة في رصد الاتجاهات قصيرة ومتوسطة الأجل عبر تمرير مرشحات صغيرة على طول المحور الزمني. الثانية، شبكة الذاكرة طويلة وقصيرة الأمد ثنائية الاتجاه (BiLSTM)، تنظر للأمام وللخلف في الزمن لفهم كيفية ارتباط الأنماط الماضية والمتوقعة. يقوم نفس المحسّن المستوحى من اللبلاب بضبط الإعدادات الرئيسية لهذا النموذج المدمج، مثل عدد المرشحات وقوة الحماية ضد فرط التعلّم، بحيث يمكنه تعلم أنماط غنية دون أن يصبح غير مستقر.

مدى فعالية الطريقة في المدينة الحقيقية

لاختبار النهج، يدرب المؤلفون ويقارنون عدة إصدارات من نموذجهم باستخدام ستة أشهر من بيانات بالساعة. يظهرون أن خط المعالجة الكامل الذي يشمل خطوة التفكيك والشبكة المزدوجة المحسنة يتنبأ بأحمال الشحن المستقبلية بدقة أكبر بكثير من النماذج الأبسط أو تلك المولفة بإجراءات بحث شهيرة أخرى. تنخفض أخطاء التنبؤ إلى نحو النصف مقارنة بالشبكات العصبية الأساسية، ويتتبع النموذج القمم والقيعان الحادة بشكل أفضل بكثير. كما يتحقق الباحثون من أداء الطريقة في أنواع مختلفة من الأحياء، مثل المناطق السكنية بشكل أساسي والمناطق التجارية المزدحمة، التي لديها إيقاعات شحن مختلفة جدًا.

ماذا يعني هذا للشبكات والسائقين

تجد الدراسة أن الطريقة الجديدة تلتقط كلًا من الدورات اليومية السلسة والتحولات المفاجئة في سلوك الشحن، وتصل إلى تطابق وثيق مع البيانات الواقعية في المناطق التي تركز على المنازل وتلك التي تركز على الأعمال. بينما تظل المناطق التجارية ذات حركة المرور المتغيرة سريعًا تحديًا أصعب، تبقى الدقة عالية. الرسالة الأساسية للقارئ العام هي أنه عبر تنظيف البيانات بعناية وترك أداتين تعلّميتين تكملان بعضهما البعض، يمكن لشركات الكهرباء الحصول على رؤية قصيرة الأجل أوضح بكثير لطلب شحن السيارات الكهربائية القادم. يمكن أن تدعم هذه الرؤية تسعيرًا أذكى، وتحديدًا أفضل لمواقع وعمل الشواحن، وخدمة شبكة أكثر موثوقية مع استمرار انتشار السيارات الكهربائية.

الاستشهاد: Zhang, W., Ma, B. & Wang, D. Temporal forecasting of electric vehicle charging load using an IVY-VMD-TCN-BiLSTM model with cross-zone evaluation. Sci Rep 16, 16101 (2026). https://doi.org/10.1038/s41598-026-47962-0

الكلمات المفتاحية: شحن السيارات الكهربائية, توقع الأحمال, الشبكة الذكية, نمذجة السلاسل الزمنية, تخطيط الطاقة الحضرية