Una red de agregación de características multidimensional para la predicción de la demanda de carga de vehículos eléctricos

Por qué importan previsiones de carga más inteligentes

A medida que los coches eléctricos se extienden por nuestras ciudades, el simple acto de enchufarlos se convierte en un rompecabezas complejo. Las compañías eléctricas y los planificadores urbanos deben asegurarse de que los cargadores estén en los lugares adecuados, de que la red pueda soportar la carga y de que los precios incentiven a los conductores a enchufarse en los momentos más convenientes. Este artículo presenta una nueva forma de predecir cuándo y dónde los conductores necesitarán cargar, con el objetivo de que esas predicciones sean no solo más precisas, sino también más rápidas y económicas de calcular.

El desafío de adivinar los enchufes de mañana

Predecir la demanda de carga de vehículos eléctricos parece sencillo: observar el uso pasado y proyectarlo hacia adelante. En realidad, está enredado en muchos patrones superpuestos. Las estaciones de barrios cercanos se influyen mutuamente porque los conductores pueden elegir entre ellas. La demanda de carga sube y baja a lo largo del día y la semana en ritmos regulares. Además, factores externos como los precios de la electricidad, el clima, los festivos y el tráfico empujan las decisiones de los conductores. Muchos métodos recientes de previsión se centran principalmente en la geografía y el tiempo, pero tratan estas influencias adicionales de una en una, sin captar cómo interactúan entre sí y a lo largo del tiempo. Otros incorporan reglas detalladas “informadas por la física” sobre cómo deberían comportarse precios y demanda, lo que puede mejorar la precisión pero a menudo requiere un gran coste computacional y conocimientos previos detallados.

Una nueva forma de mezclar muchas señales

Los autores proponen un modelo llamado Red de Agregación de Características Multidimensional (MDFANet), construido específicamente para la demanda de carga urbana. En lugar de introducir los datos crudos directamente en un complejo modelo espaciotemporal, MDFANet primero los pasa por una etapa dedicada de “mejora de características”. En esta etapa, el modelo examina tanto a lo largo del eje temporal como a través de las distintas variables —como demanda, precio y otras características— para destilar un “núcleo de características” compacto que captura cómo se mueven juntas esas señales. Este núcleo se mezcla después con las entradas originales, produciendo una descripción más rica pero todavía ligera de los datos que resulta más fácil de aprender para los componentes posteriores.

Cómo el modelo aprende las ciudades en movimiento

Una vez mejoradas las características, MDFANet aplica un módulo espaciotemporal de dos partes. Primero, una red de atención basada en grafos se centra en las relaciones entre zonas de la ciudad, asignando más peso a las áreas cuyo comportamiento de carga es más informativo para cada zona objetivo. Múltiples “cabezas” de atención ayudan al modelo a considerar varios tipos de influencia espacial a la vez, mientras que un enlace residual especial evita que detalles importantes se diluyan al apilar capas. A continuación, un módulo recurrente de series temporales modela cómo cambian en el tiempo estas características informadas espacialmente, aprendiendo patrones de comportamiento de carga a corto y más largo plazo. Finalmente, un decodificador simple traduce la representación interna aprendida en predicciones de la demanda de carga futura a distintos horizontes, desde 15 minutos hasta una hora.

Poniendo el método a prueba

Los investigadores evaluaron MDFANet en un conjunto de datos público de Shenzhen, China, que registra la demanda de carga y los precios en tiempo real cada cinco minutos en 247 zonas. Compararon su modelo con una variedad de enfoques, incluidos herramientas estadísticas clásicas, redes profundas estándar, modelos basados en grafos y el último referente informado por la física. En cuatro medidas comunes de precisión, MDFANet logró sistemáticamente errores de predicción menores que todos los competidores, incluido el modelo informado por la física PIAST. Al mismo tiempo, MDFANet requirió aproximadamente la mitad del tiempo de entrenamiento de esos métodos informados por la física en el mismo hardware y programa de entrenamiento. Pruebas que eliminaron deliberadamente partes del modelo mostraron que tanto el módulo de agregación de características como el módulo espaciotemporal eran necesarios para alcanzar el mejor rendimiento. Experimentos adicionales que redujeron la cantidad de datos de entrenamiento sugirieron que MDFANet se degrada de forma gradual, manteniendo una precisión útil incluso cuando solo está disponible la mitad de los datos originales.

Qué significa esto para conductores y ciudades

En términos simples, este trabajo muestra que podemos obtener previsiones mejores y más rápidas sobre cuándo y dónde los vehículos eléctricos necesitarán cargar si primero mezclamos cuidadosamente todas las señales distintas en los datos y luego aprendemos cómo interactúan ubicaciones y tiempos. Para los planificadores urbanos y los operadores de la red, predicciones más precisas y eficientes podrían apoyar una colocación más inteligente de estaciones de carga, una operación de la red más suave y esquemas de precios más ágiles. Para los conductores, podría traducirse en esperas más cortas y un acceso más fiable a los cargadores. El estudio aún se apoya principalmente en registros pasados de carga y precios, y los autores señalan que versiones futuras deberían incorporar contexto más rico como el clima y el tráfico. Aun así, sus resultados sugieren que modelos basados en datos y diseñados con criterio como MDFANet pueden ayudar a las ciudades a seguir el ritmo del rápido crecimiento de los vehículos eléctricos.

Cita: 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

Palabras clave: carga de vehículos eléctricos, predicción de la demanda, modelado espaciotemporal, aprendizaje profundo, red inteligente