Prévision temporelle de la charge de recharge des véhicules électriques à l’aide d’un modèle IVY-VMD-TCN-BiLSTM avec évaluation inter-zones

Pourquoi les schémas de recharge des voitures électriques importent

À mesure que les véhicules électriques deviennent courants dans les rues des villes, leurs habitudes de recharge peuvent mettre à rude épreuve les réseaux électriques locaux de façon soudaine et imprévisible. Savoir à l’avance quand et où les conducteurs vont se brancher est essentiel pour maintenir l’alimentation, éviter des coûts élevés de renforcement du réseau et offrir des options de recharge pratiques. Cette étude présente une nouvelle méthode pour prévoir la demande de recharge des véhicules électriques à court terme dans une grande ville, visant à aider les fournisseurs d’électricité à planifier avec une bien meilleure précision.

Des suppositions simples à des prévisions riches en données

Les anciennes méthodes de prévision tentaient souvent de modéliser les déplacements et la recharge des personnes à l’aide de règles simplifiées ou de probabilités. Ces approches peinent dans les villes modernes, où les stations de recharge sont réparties de façon inégale et où les comportements varient selon le trafic, la météo et les prix. Les auteurs se tournent donc vers des outils pilotés par les données qui apprennent les motifs directement à partir de grands jeux de données. Ils utilisent des enregistrements réels de recharge provenant de 275 zones de Shenzhen, en Chine, ainsi que des informations telles que la température, l’humidité, l’occupation des stations et les prix, pour construire un système de prévision plus flexible capable de s’adapter à des conditions urbaines complexes.

Décomposer un signal bruité en éléments plus clairs

La demande de recharge des véhicules électriques fluctue en raison des horaires de travail, des week-ends, des jours fériés et de la météo, ce qui la rend difficile à prévoir. Pour y remédier, l’étude commence par nettoyer et remodeler les données de charge grâce à une étape avancée de traitement du signal. La méthode, appelée décomposition variationnelle en modes, scinde la courbe brute de recharge en plusieurs composantes plus simples qui captent chacune un rythme ou un motif particulier. Une procédure de recherche inspirée de la nature, modélisée sur la façon dont le lierre pousse vers la lumière, choisit automatiquement combien de composantes extraire et combien de temps les affiner. Cela réduit les approximations, filtre le bruit et met en évidence les cycles réguliers cachés dans les données.

Laisser deux réseaux sensibles au temps coopérer

Une fois le signal de recharge séparé en éléments plus lisses, chaque composante est introduite dans un moteur de prévision qui combine deux types de réseaux neuronaux. Le premier, un réseau de convolution temporelle, est performant pour repérer les tendances à court et moyen terme en faisant glisser de petits filtres le long de l’axe temporel. Le second, un réseau à mémoire longue à double sens (BiLSTM), examine le passé et l’avenir pour comprendre comment les motifs antérieurs et anticipés se relient. L’optimiseur inspiré du lierre affine également les paramètres clés de ce modèle combiné, tels que le nombre de filtres utilisés et l’intensité de la régularisation contre le surapprentissage, afin qu’il puisse apprendre des motifs riches sans devenir instable.

Quelle est l’efficacité de la méthode en conditions réelles

Pour tester l’approche, les auteurs entraînent et comparent plusieurs versions de leur modèle en utilisant six mois de données horaires. Ils montrent que la chaîne complète, incluant l’étape de décomposition et le réseau double optimisé, prédit la charge future de recharge bien plus précisément que des modèles plus simples ou des modèles réglés avec d’autres procédures de recherche populaires. Les erreurs de prévision tombent à environ la moitié de celles observées pour des réseaux neuronaux basiques, et le modèle suit beaucoup mieux les pics et les creux prononcés. Les chercheurs évaluent aussi les performances de la méthode dans différents types de quartiers, comme les zones majoritairement résidentielles et les quartiers commerciaux animés, qui présentent des rythmes de recharge très différents.

Ce que cela implique pour les réseaux et les conducteurs

L’étude révèle que la nouvelle méthode capture à la fois les cycles journaliers lisses et les changements soudains de comportement de recharge, atteignant une correspondance très étroite avec les données réelles tant dans les quartiers axés sur le domicile que dans les zones à vocation commerciale. Si les zones commerciales au trafic changeant rapidement restent un défi plus difficile, la précision y demeure élevée. Pour le lecteur non spécialiste, le message clé est que, en nettoyant soigneusement les données et en faisant coopérer deux outils d’apprentissage complémentaires, les opérateurs peuvent obtenir une vision à court terme beaucoup plus claire de la demande de recharge des véhicules électriques à venir. Cette connaissance peut soutenir des tarifications plus intelligentes, un meilleur emplacement et fonctionnement des bornes, et un service réseau plus fiable à mesure que les voitures électriques se répandent.

Citation: 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

Mots-clés: recharge des véhicules électriques, prévision de charge, réseau intelligent, modélisation de séries temporelles, planification énergétique urbaine