Un réseau d’agrégation de caractéristiques multi-dimensionnelles pour la prévision de la demande de recharge des véhicules électriques

Pourquoi des prévisions de recharge plus intelligentes sont importantes

À mesure que les voitures électriques se répandent dans nos villes, le simple geste de branchement devient un casse-tête complexe. Les fournisseurs d’électricité et les urbanistes doivent s’assurer que les bornes sont implantées au bon endroit, que le réseau peut absorber la charge, et que les tarifs incitent les conducteurs à se brancher aux moments les plus opportuns. Cet article présente une nouvelle méthode pour prévoir où et quand les conducteurs auront besoin de recharger, visant à rendre ces prévisions non seulement plus précises, mais aussi plus rapides et moins coûteuses à calculer.

Le défi de deviner où l’on branchera demain

Prédire la demande de recharge des véhicules électriques paraît simple : regarder les usages passés et les projeter vers l’avant. En réalité, c’est enchevêtré dans de nombreux motifs qui se recoupent. Les stations de quartiers proches s’influencent mutuellement car les conducteurs peuvent choisir entre elles. La demande de recharge monte et descend au cours de la journée et de la semaine selon des rythmes réguliers. Par-dessus tout cela, des facteurs externes comme le prix de l’électricité, la météo, les jours fériés et le trafic orientent les choix des conducteurs. Beaucoup de méthodes récentes se concentrent principalement sur la géographie et le temps, mais traitent ces influences supplémentaires une par une, en passant à côté de leurs interactions dans le temps. D’autres intègrent des règles « informées par la physique » détaillées sur le comportement attendu des prix et de la demande, ce qui peut améliorer la précision mais exige souvent des calculs lourds et des connaissances préalables détaillées.

Une nouvelle façon de mêler de nombreux signaux

Les auteurs proposent un modèle nommé Multi-Dimensional Feature Aggregation Network, ou MDFANet, conçu spécifiquement pour la demande de recharge urbaine. Plutôt que d’alimenter des données brutes directement dans un modèle spatiotemporel complexe, MDFANet fait d’abord passer les données par une étape dédiée d’« amélioration des caractéristiques ». À ce stade, le modèle regarde à la fois le long de l’axe temporel et à travers les différentes variables — telles que la demande, le prix et d’autres attributs — pour distiller un « noyau de caractéristiques » compact qui capture la manière dont ces signaux évoluent conjointement. Ce noyau est ensuite recombiné avec les entrées originales, produisant une description plus riche mais toujours légère des données, plus facile à exploiter pour les composants ultérieurs.

Comment le modèle apprend la ville en mouvement

Une fois les caractéristiques enrichies, MDFANet applique un module spatiotemporel en deux parties. D’abord, un réseau d’attention basé sur un graphe se concentre sur les relations entre zones de la ville, en attribuant davantage de poids aux zones dont le comportement de recharge est le plus informatif pour chaque zone cible. Plusieurs « têtes » d’attention aident le modèle à considérer plusieurs types d’influence spatiale simultanément, tandis qu’un lien résiduel particulier évite que des détails importants ne se perdent à mesure que les couches s’empilent. Ensuite, un module récurrent pour séries temporelles modélise la façon dont ces caractéristiques spatialement informées évoluent au fil du temps, apprenant des motifs à court et à plus long terme du comportement de recharge. Enfin, un décodeur simple traduit la représentation interne apprise en prévisions de la demande de recharge future à différents horizons, de 15 minutes jusqu’à une heure.

Évaluation de la méthode

Les chercheurs ont évalué MDFANet sur un jeu de données public de Shenzhen, en Chine, qui enregistre la demande de recharge et les prix en temps réel toutes les cinq minutes à travers 247 zones. Ils ont comparé leur modèle à une variété d’approches, incluant des outils statistiques classiques, des réseaux profonds standards, des modèles basés sur des graphes et la dernière référence informée par la physique. Sur quatre mesures d’exactitude courantes, MDFANet a constamment affiché des erreurs de prévision plus faibles que tous les concurrents, y compris le modèle informé par la physique PIAST. Dans le même temps, MDFANet nécessitait environ la moitié du temps d’entraînement de ces méthodes informées par la physique avec le même matériel et le même calendrier d’entraînement. Des tests consistant à retirer délibérément des parties du modèle ont montré que tant le module d’agrégation de caractéristiques que le module spatiotemporel étaient nécessaires pour atteindre la meilleure performance. Des expériences additionnelles réduisant la quantité de données d’entraînement ont suggéré que MDFANet se dégrade en douceur, conservant une précision utile même lorsque seulement la moitié des données originales est disponible.

Ce que cela signifie pour les conducteurs et les villes

En termes simples, ce travail montre que l’on peut obtenir des prévisions de meilleure qualité et plus rapides sur le moment et le lieu de recharge des véhicules électriques en combinant d’abord soigneusement tous les signaux de données, puis en apprenant comment les lieux et les moments interagissent. Pour les urbanistes et les opérateurs de réseau, des prévisions plus précises et efficaces pourraient soutenir un meilleur emplacement des bornes, un fonctionnement du réseau plus fluide et des schémas tarifaires plus réactifs. Pour les conducteurs, cela pourrait se traduire par des temps d’attente plus courts et un accès aux bornes plus fiable. L’étude repose encore principalement sur les historiques de recharge et de prix, et les auteurs soulignent que les versions futures devraient intégrer un contexte plus riche comme la météo et le trafic. Quoi qu’il en soit, leurs résultats suggèrent que des modèles axés sur les données et conçus avec soin comme MDFANet peuvent aider les villes à suivre le rythme de la croissance rapide des véhicules électriques.

Citation: 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

Mots-clés: recharge de véhicules électriques, prévision de la demande, modélisation spatiotemporelle, apprentissage profond, réseau électrique intelligent