Predicción temporal de la carga de recarga de vehículos eléctricos mediante un modelo IVY-VMD-TCN-BiLSTM con evaluación entre zonas

Por qué importan los patrones de recarga de coches eléctricos

A medida que los vehículos eléctricos se hacen comunes en las calles de la ciudad, sus hábitos de recarga pueden tensionar las redes eléctricas locales de forma súbita e impredecible. Conocer con antelación cuándo y dónde los conductores enchufarán es vital para mantener el suministro, evitar costosas mejoras en la red y ofrecer opciones de recarga convenientes. Este estudio presenta una nueva forma de prever la demanda de recarga de vehículos eléctricos a corto plazo en una gran ciudad, con el objetivo de ayudar a las compañías eléctricas a planificar con mucha mayor precisión.

De conjeturas simples a predicciones basadas en datos

Los métodos de predicción más antiguos intentaban modelar cómo viajan y recargan las personas usando reglas simplificadas o probabilidades. Estos enfoques tienen dificultades en las ciudades modernas, donde las estaciones de recarga están distribuidas de forma desigual y el comportamiento cambia con el tráfico, el clima y los precios. Los autores recurren en su lugar a herramientas impulsadas por datos que aprenden patrones directamente de grandes conjuntos de datos. Usan registros reales de recarga de 275 zonas en Shenzhen, China, junto con información como temperatura, humedad, ocupación de estaciones y precios, para construir un sistema de predicción más flexible que pueda adaptarse a condiciones urbanas complejas.

Separar una señal ruidosa en piezas más claras

La demanda de recarga de vehículos eléctricos sube y baja por horarios de trabajo, fines de semana, festivos y el tiempo atmosférico, lo que dificulta la predicción. Para abordarlo, el estudio primero limpia y remodela los datos de carga usando un paso avanzado de procesamiento de señales. El método, llamado descomposición variacional en modos, divide la curva de recarga cruda en varios componentes más simples que capturan cada uno un ritmo o patrón particular. Un procedimiento de búsqueda inspirado en la naturaleza, modelado en cómo las plantas de hiedra crecen hacia la luz, elige automáticamente cuántos componentes extraer y durante cuánto refinarlos. Esto reduce la incertidumbre, filtra el ruido y resalta los ciclos regulares ocultos en los datos.

Poner a trabajar dos redes conscientes del tiempo

Una vez que la señal de recarga se ha separado en piezas más suaves, cada pieza se alimenta a un motor de predicción que combina dos tipos de redes neuronales. La primera, una red convolucional temporal, es buena para detectar tendencias a corto y medio plazo al deslizar pequeños filtros a lo largo del eje temporal. La segunda, una red LSTM bidireccional (memoria a largo y corto plazo), observa tanto hacia adelante como hacia atrás en el tiempo para entender cómo se conectan los patrones pasados y anticipados. El mismo optimizador inspirado en la hiedra ajusta finamente los parámetros clave de este modelo combinado, como cuántos filtros usar y con qué fuerza evitar el sobreajuste, de modo que pueda aprender patrones ricos sin volverse inestable.

Qué tan bien funciona el método en la ciudad real

Para probar el enfoque, los autores entrenan y comparan varias versiones de su modelo usando seis meses de datos horarios. Demuestran que la canalización completa, con el paso de descomposición y la red dual optimizada, predice las cargas de recarga futuras con mucha más precisión que modelos más simples o que aquellos ajustados con otros procedimientos de búsqueda populares. Los errores en la predicción se reducen aproximadamente a la mitad respecto a redes neuronales básicas, y el modelo sigue picos y valles pronunciados con mucha mayor fidelidad. Los investigadores también comprueban cómo rinde el método en distintos tipos de vecindarios, como zonas mayoritariamente residenciales y áreas comerciales concurridas, que presentan ritmos de recarga muy diferentes.

Qué significa esto para redes y conductores

El estudio concluye que el nuevo método captura tanto los ciclos diarios suaves como los cambios súbitos en el comportamiento de recarga, logrando una correspondencia muy estrecha con los datos del mundo real en distritos orientados al hogar y al negocio. Aunque las áreas comerciales con tráfico rápidamente cambiante siguen siendo un reto más difícil, la precisión se mantiene alta. Para un lector no experto, el mensaje clave es que al limpiar cuidadosamente los datos y permitir que dos herramientas de aprendizaje complementarias cooperen, las compañías eléctricas pueden obtener una visión a corto plazo mucho más clara de la demanda de recarga de vehículos eléctricos. Esta información puede respaldar tarifas más inteligentes, una mejor ubicación y operación de los cargadores y un servicio de red más fiable a medida que los coches eléctricos se extienden.

Cita: 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

Palabras clave: recarga de vehículos eléctricos, pronóstico de carga, red inteligente, modelado de series temporales, planificación energética urbana