Transformeur à fusion multi-échelle pour la prévision de charge des stations de recharge EV

Pourquoi une recharge EV plus intelligente compte

À mesure que les véhicules électriques (VE) se répandent en ville, leurs habitudes de recharge pèsent sur le réseau électrique presque autant que l’heure de pointe sur les autoroutes. Si de nombreux conducteurs branchent simultanément, câbles et transformateurs locaux peuvent être sollicités ; si les gestionnaires du réseau savent à l’avance quand et où la demande va exploser, ils peuvent équilibrer l’offre, éviter des coupures et même utiliser les VE comme ressources énergétiques flexibles. Cet article présente une nouvelle méthode pour prévoir l’activité des stations de recharge EV sur les un à quatre prochains jours, visant à fournir aux planificateurs du réseau et aux opérateurs de recharge une vision beaucoup plus claire de l’avenir.

Le défi de deviner les branchements de demain

Prédire la demande de recharge des VE est étonnamment difficile. Les conducteurs décident quand recharger en fonction des horaires de travail, de la météo, des courses et même des embouteillages, ce qui fait fluctuer la charge totale d’une station de façon apparemment aléatoire. Les outils statistiques traditionnels, efficaces pour des schémas plus lisses, peinent face à ces sauts brusques et à la combinaison d’influences externes au système électrique. Même les approches modernes d’apprentissage profond, comme les réseaux récurrents et les transformeurs standard, capturent souvent soit les tendances à long terme soit les variations à court terme, mais pas les deux à la fois, et traitent en général les facteurs externes comme la météo et le trafic de manière assez sommaire.

Un nouveau modèle qui voit le temps en couches

Pour répondre à ces problèmes, les auteurs conçoivent un Transformeur à Fusion Multi‑échelle (MFT), un modèle d’apprentissage automatique adapté aux stations de recharge EV. Au cœur se trouve un mécanisme « multi‑échelle » qui permet au modèle d’examiner les données passées de recharge avec plusieurs lunettes temporelles simultanément. Une loupe se concentre sur les changements larges et lents sur plusieurs jours ; une autre zoome sur les variations rapides d’heure en heure ; d’autres couvrent des échelles intermédiaires. En guidant des têtes d’attention séparées pour se spécialiser sur différentes échelles temporelles, puis en fusionnant leurs points de vue, le MFT peut suivre à la fois le rythme global de la recharge et les détails fins des pics et creux soudains, plus efficacement qu’un transformeur standard.

Apprendre au modèle ce que météo et trafic signifient vraiment

La demande de recharge ne dépend pas du temps seul. À partir de données d’une grande zone résidentielle en Norvège, les chercheurs ajoutent 14 caractéristiques externes au modèle, notamment température, vent, précipitations, ensoleillement et le nombre de véhicules circulant chaque heure dans plusieurs zones voisines. D’abord, ils effectuent un balayage statistique large pour mesurer la force du lien entre chaque facteur et la recharge sur l’ensemble du jeu de données. L’ensoleillement, par exemple, montre une relation négative notable : les jours plus lumineux signifient souvent moins d’événements de recharge dans cet endroit. Cette analyse produit un ensemble de poids d’importance de base qui indiquent au modèle, de manière générale, quels facteurs ont tendance à compter davantage et lesquels comptent moins.

Permettre au modèle de s’adapter d’heure en heure

Évidemment, un jour donné peut rompre le schéma moyen : parfois la météo est calme mais le trafic chaotique, ou inversement. Pour s’adapter à ces variations, le MFT inclut un module de fusion multivariable qui ajuste les poids des caractéristiques pour chaque prédiction. Il utilise une étape de cross‑attention où le profil de recharge courant « interroge » les données externes, décidant quels signaux météo ou trafic sont les plus pertinents à cet instant. Le modèle mélange ensuite ces signaux en une représentation compacte du monde extérieur, qu’il combine avec la vue multi‑échelle des charges passées. Un décodeur en aval transforme cette image conjointe en prévisions pour les prochaines 24, 48, 72 ou 96 heures.

Performance de la nouvelle approche

L’équipe entraîne et teste le MFT en utilisant des données horaires réelles, le comparant à des modèles de prévision bien connus tels que GRU, LSTM, LSTM bidirectionnel et un transformeur standard. Sur tous les horizons de prédiction et mesures d’erreur, le nouveau modèle s’impose, et son avantage s’accroît à mesure que l’horizon de prévision s’allonge. En moyenne, le MFT réduit les principales métriques d’erreur de plus de 20 % par rapport aux réseaux récurrents et d’environ 10 % par rapport à un transformeur simple. Fait important, il maintient une précision stable même pour des prévisions à 72 et 96 heures, alors que d’autres modèles ont tendance à dériver et à prendre du retard par rapport aux variations réelles de la charge.

Ce que cela implique pour l’usage quotidien de l’énergie

Pour les non‑spécialistes, la conclusion est que de meilleurs outils mathématiques peuvent rendre la recharge des VE plus fiable et plus efficace, sans éclat. En combinant une vision en couches du temps avec une compréhension flexible de la météo et du trafic, le Transformeur à Fusion Multi‑échelle offre aux opérateurs du réseau une prévision plus précise de l’utilisation des stations dans les jours à venir. Cela peut à son tour soutenir une programmation plus intelligente des centrales, une intégration plus fluide des énergies renouvelables et un choix plus éclairé des emplacements pour de nouveaux chargeurs. À mesure que l’adoption des VE augmente et que les futures versions du modèle intègreront le comportement des batteries, des outils comme le MFT pourraient devenir des éléments clés pour garder le transport électrique à la fois pratique pour les conducteurs et compatible avec le réseau.

Citation: 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

Mots-clés: recharge de véhicules électriques, prévision de la charge, apprentissage profond, modèle transformeur, réseau électrique intelligent