Multiskaliger Fusions-Transformer zur Lastprognose von EV-Ladestationen

Warum intelligenteres Laden von EVs wichtig ist

Mit der Verbreitung von Elektrofahrzeugen (EVs) in Städten werden ihre Ladegewohnheiten für das Stromnetz zunehmend so wichtig wie der Berufsverkehr für Autobahnen. Schließen viele Fahrer gleichzeitig an, können lokale Leitungen und Transformatoren belastet werden; wissen Netzbetreiber im Voraus, wann und wo Spitzen auftreten, können sie die Versorgung ausbalancieren, Blackouts vermeiden und EVs sogar als flexible Energiequelle nutzen. Dieses Papier stellt eine neue Methode vor, um vorherzusagen, wie stark EV-Ladestationen in den nächsten ein bis vier Tagen ausgelastet sein werden, mit dem Ziel, Netzplanern und Betreibern von Ladeinfrastruktur einen klareren Blick in die Zukunft zu geben.

Die Herausforderung, die Steckdosen von morgen zu erraten

Die Vorhersage der Ladeanforderung von EVs ist überraschend schwierig. Fahrer entscheiden, wann sie laden, anhand von Arbeitszeiten, Wetter, Erledigungen und sogar Staus, sodass die Gesamtlast an einer Station scheinbar zufällig schwankt. Traditionelle statistische Werkzeuge, die bei glatteren Mustern gut funktionieren, haben Schwierigkeiten mit diesen abrupten Ausschlägen und mit dem Mix an Einflüssen von außerhalb des Energiesystems. Selbst moderne Deep-Learning-Ansätze, wie rekurrente neuronale Netze und Standard-Transformer-Modelle, erfassen oft entweder langfristige Trends oder kurzfristige Schwankungen, aber nicht beides gleichzeitig, und sie behandeln externe Faktoren wie Wetter und Verkehr meist eher grob.

Ein neues Modell, das Zeit in Schichten betrachtet

Um diese Probleme anzugehen, entwerfen die Autoren einen Multiskale-Fusion-Transformer (MFT), ein maschinelles Lernmodell, das speziell auf EV-Ladestationen zugeschnitten ist. Im Kern steht ein „Multiskalen“-Mechanismus, der dem Modell erlaubt, vergangene Ladeinformationen gleichzeitig mit mehreren unterschiedlichen Blickwinkeln zu betrachten. Ein Blick konzentriert sich auf breite, langsame Veränderungen über Tage; ein anderer zoomt auf schnelle stündliche Schwankungen; weitere liegen dazwischen. Indem separate Attention-Heads des Modells dazu geführt werden, sich auf verschiedene Zeitskalen zu spezialisieren, und ihre Perspektiven anschließend verschmolzen werden, kann MFT sowohl den Gesamt-Rhythmus des Ladens als auch die feinen Details plötzlicher Spitzen und Einbrüche wirksamer nachverfolgen als ein Standard-Transformer.

Dem Modell beibringen, was Wetter und Verkehr wirklich bedeuten

Die Ladeanforderung hängt nicht nur von der Zeit ab. Anhand von Daten aus einem großen Wohngebiet in Norwegen fügen die Forscher dem Modell 14 externe Merkmale hinzu, darunter Temperaturen, Wind, Niederschlag, Sonnenschein und die stündliche Fahrzeugbewegung in mehreren nahegelegenen Zonen. Zunächst führen sie einen breiten statistischen Scan durch, um zu sehen, wie stark jeder Faktor über den gesamten Datensatz hinweg mit dem Laden verknüpft ist. Sonnenschein zeigt zum Beispiel eine auffällige negative Beziehung: An helleren Tagen gibt es dort oft weniger Ladevorgänge. Diese Analyse erzeugt eine Reihe von Basis-Gewichten zur Bedeutung, die dem Modell allgemeine Hinweise geben, welche Faktoren tendenziell wichtiger oder weniger wichtig sind.

Das Modell stündlich anpassen lassen

Naturgemäß kann jeder einzelne Tag das Durchschnittsmuster durchbrechen: Manchmal ist das Wetter ruhig, aber der Verkehr chaotisch, oder umgekehrt. Um sich an diese Verschiebungen anzupassen, enthält der MFT ein Multivariablen-Fusionsmodul, das die Merkmalsgewichte für jede Vorhersage anpasst. Es verwendet einen Cross-Attention-Schritt, in dem das aktuelle Lademuster die externen Daten „abfragt“ und entscheidet, welche Wetter- oder Verkehrssignale gerade am relevantesten sind. Das Modell mischt diese Signale dann zu einer kompakten Repräsentation der Außenwelt, die es mit der multiskaligen Sicht auf vergangene Lasten kombiniert. Ein nachgelagerter Decoder verwandelt dieses gemeinsame Bild in Prognosen für die nächsten 24, 48, 72 oder 96 Stunden.

Wie gut der neue Ansatz abschneidet

Das Team trainiert und testet den MFT mit realen stündlichen Daten und vergleicht ihn mit bekannten Prognosemodellen wie GRU, LSTM, bidirektionalem LSTM und einem Standard-Transformer. Über alle Vorhersagehorizonte und Fehlermaße liegt das neue Modell vorn, und sein Vorsprung wächst, je weiter die Prognose in die Zukunft reicht. Im Durchschnitt reduziert MFT wichtige Fehlermetriken um mehr als 20 Prozent im Vergleich zu rekurrenten Netzen und um etwa 10 Prozent gegenüber einem einfachen Transformer. Wichtig ist, dass es auch für 72- und 96-Stunden-Prognosen eine stabile Genauigkeit beibehält, während andere Modelle dazu neigen, abzuweichen und den tatsächlichen Lastschwankungen hinterherzuhinken.

Was das für den alltäglichen Energieverbrauch bedeutet

Für Nicht-Fachleute lautet die Schlussfolgerung, dass bessere Mathematik das Laden von EVs still und effizienter machen kann. Durch die Kombination einer geschichteten Zeitbetrachtung mit einem flexiblen Verständnis von Wetter und Verkehr bietet der Multiskale-Fusion-Transformer Netzbetreibern eine schärfere Vorhersage darüber, wie stark Stationen in den kommenden Tagen genutzt werden. Das kann wiederum eine intelligentere Koordination von Kraftwerken, eine reibungslosere Integration erneuerbarer Energien und eine fundiertere Platzierung neuer Ladestationen unterstützen. Mit zunehmender Verbreitung von EVs und künftigen Modellerweiterungen, die Batterieverhalten mit einbeziehen, könnten Werkzeuge wie MFT zu wichtigen Bausteinen werden, um den elektrischen Verkehr sowohl für Fahrer bequem als auch netzfreundlich zu halten.

Zitation: 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

Schlüsselwörter: Elektrofahrzeug-Ladung, Lastprognose, Deep Learning, Transformer-Modell, Smart Grid