Ein multidimensionales Merkmalsaggregationsnetzwerk zur Vorhersage der Ladebedarfe von Elektrofahrzeugen

Warum intelligentere Ladeprognosen wichtig sind

Mit der Verbreitung von Elektroautos in unseren Städten wird das einfache Einstecken zu einem komplexen Puzzle. Energieversorger und Stadtplaner müssen sicherstellen, dass Ladepunkte an den richtigen Orten stehen, das Netz die Last bewältigen kann und Preissignale Fahrer zum Laden zu günstigen Zeiten anregen. Diese Arbeit stellt eine neue Methode vor, um vorherzusagen, wann und wo Fahrer laden werden, mit dem Ziel, Prognosen nicht nur genauer, sondern auch schneller und kostengünstiger zu berechnen.

Die Herausforderung, das Laden von morgen zu erraten

Die Vorhersage des Ladebedarfs von Elektrofahrzeugen klingt simpel: Vergangenes Nutzungsverhalten betrachten und in die Zukunft projizieren. In Wirklichkeit verstrickt sie sich jedoch in viele überlappende Muster. Stationen in benachbarten Vierteln beeinflussen einander, weil Fahrer zwischen ihnen wählen können. Die Ladeanforderung steigt und fällt im Tages- und Wochenverlauf in regelmäßigen Rhythmen. Darüber hinaus wirken äußere Faktoren wie Strompreise, Wetter, Feiertage und Verkehr auf die Wahl der Fahrer ein. Viele aktuelle Prognoseverfahren konzentrieren sich hauptsächlich auf Geografie und Zeit, behandeln diese zusätzlichen Einflüsse aber einzeln und übersehen, wie sie miteinander und über die Zeit hinweg interagieren. Andere Methoden integrieren detaillierte „physikinformierte“ Regeln darüber, wie Preise und Nachfrage sich verhalten sollten, was die Genauigkeit verbessern kann, aber oft hohe Rechenlast und umfangreiches Vorwissen erfordert.

Eine neue Methode zum Zusammenführen vieler Signale

Die Autoren schlagen ein Modell namens Multi-Dimensional Feature Aggregation Network, kurz MDFANet, vor, das speziell für städtische Ladebedarfe entwickelt wurde. Statt Rohdaten direkt in ein komplexes raumzeitliches Modell zu füttern, durchläuft MDFANet zunächst eine eigene „Feature-Enhancement“-Phase. In dieser Phase betrachtet das Modell sowohl die Zeitachse als auch die verschiedenen Variablen – etwa Nachfrage, Preis und weitere Merkmale –, um einen kompakten „Feature-Core“ zu destillieren, der erfasst, wie diese Signale zusammen verlaufen. Dieser Kern wird dann mit den Originaleingaben verschmolzen und erzeugt so eine reichere, aber weiterhin schlanke Beschreibung der Daten, die für nachfolgende Komponenten leichter zu erlernen ist.

Wie das Modell Städte in Bewegung lernt

Nachdem die Merkmale angereichert sind, wendet MDFANet ein zweiteiliges raumzeitliches Modul an. Zuerst fokussiert ein graphbasiertes Aufmerksamkeitsnetzwerk die Beziehungen zwischen Zonen in der Stadt und gewichtet stärker jene Bereiche, deren Ladeverhalten für eine Zielzone besonders informativ ist. Mehrere Aufmerksamkeits-„Köpfe“ erlauben dem Modell, gleichzeitig verschiedene Arten räumlicher Einflüsse zu berücksichtigen, während eine spezielle Residualverbindung verhindert, dass wichtige Details beim Stapeln von Schichten verloren gehen. Anschließend modelliert ein rekurrentes Zeitreihenmodul, wie sich diese räumlich informierten Merkmale über die Zeit verändern, und lernt kurz- und längerfristige Muster im Ladeverhalten. Schließlich übersetzt ein einfacher Decoder die gelernte interne Repräsentation in Prognosen des zukünftigen Ladebedarfs für unterschiedliche Vorhersagehorizonte, von 15 Minuten bis zu einer Stunde im Voraus.

Erprobung der Methode

Die Forscher bewerteten MDFANet anhand eines öffentlichen Datensatzes aus Shenzhen, China, der Ladebedarfe und Echtzeitpreise alle fünf Minuten über 247 Zonen hinweg erfasst. Sie verglichen ihr Modell mit einer Reihe von Ansätzen, darunter klassische statistische Werkzeuge, Standard-Deep-Learning-Netze, graphbasierte Modelle und das aktuelle physikinformierte Benchmark. Über vier gängige Genauigkeitsmaße hinweg erreichte MDFANet durchgehend geringere Vorhersagefehler als alle Konkurrenten, einschließlich des physikinformierten Modells PIAST. Gleichzeitig benötigte MDFANet unter gleicher Hardware und Trainingsplanung etwa halb so viel Trainingszeit wie diese physikinformierten Methoden. Tests, in denen Teile des Modells bewusst entfernt wurden, zeigten, dass sowohl das Feature-Aggregation-Modul als auch das raumzeitliche Modul notwendig sind, um die beste Leistung zu erzielen. Zusätzliche Experimente mit reduziertem Trainingsdatensatz legen nahe, dass MDFANet sich graduell verschlechtert und nützliche Genauigkeit beibehält, selbst wenn nur die Hälfte der ursprünglichen Daten verfügbar ist.

Was das für Fahrer und Städte bedeutet

Einfach gesagt zeigt diese Arbeit, dass wir bessere und schnellere Prognosen darüber erhalten können, wann und wo Elektrofahrzeuge laden müssen, indem wir zunächst alle unterschiedlichen Signale in den Daten sorgfältig zusammenführen und dann lernen, wie Orte und Zeiten miteinander interagieren. Für Stadtplaner und Netzbetreiber könnten genauere und effizientere Vorhersagen eine intelligentere Platzierung von Ladeinfrastruktur, einen reibungsloseren Netzbetrieb und reaktionsfähigere Preisgestaltung ermöglichen. Für Fahrer könnte das zu kürzeren Wartezeiten und zuverlässigerem Zugang zu Ladepunkten führen. Die Studie stützt sich weiterhin hauptsächlich auf vergangene Lade- und Preisaufzeichnungen, und die Autoren weisen darauf hin, dass zukünftige Versionen reichhaltigere Kontextinformationen wie Wetter und Verkehr integrieren sollten. Dennoch deuten die Ergebnisse darauf hin, dass durchdacht gestaltete datengetriebene Modelle wie MDFANet Städten helfen können, mit dem raschen Wachstum der Elektrofahrzeuge Schritt zu halten.

Zitation: 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

Schlüsselwörter: Elektrofahrzeug-Laden, Bedarfsprognose, raumzeitliche Modellierung, Deep Learning, Smart Grid