טרנספורמר מיזוג רב-סקאלי לחיזוי עומס בתחנות טעינת רכב חשמלי

מדוע טעינת EV חכמה יותר חשובה

כשהרכבים החשמליים (EV) מתרחבים בערים, דפוסי הטעינה שלהם מתחילים להשפיע על רשת החשמל כפי שתנועת שיא משפיעה על הכבישים. אם נהגים רבים מתחברים באותו רגע, כבלי וצנטריפגים מקומיים עלולים להיעמס; אם מפעילי הרשת ידעו מראש מתי והיכן יתקיימו קפיצות בטעינה, הם יוכלו לאזן את ההיצע, למנוע הפסקות חשמל ואף להשתמש ברכבים כמשאבים אנרגטיים גמישים. מאמר זה מציג שיטה חדשה לחיזוי כמה יהיו עמוסים תחנות טעינה של EV ב־יום עד ארבעה ימים הבאים, במטרה לספק לתכנני רשת ולחברות טעינה תמונה ברורה יותר של העתיד הקרוב.

האתגר של לנבא מתי יוציאו תקעים מחר

חיזוי ביקוש הטעינה של EV קשה מהצפוי. נהגים בוחרים מתי לטעון לפי לוחות עבודה, מזג אוויר, סידורים ואפילו עומסי תנועה, מה שגורם לעומס הכולל בתחנה לקפוץ בצורה שנראית אקראית. כלים סטטיסטיים מסורתיים, שעובדים היטב עם דפוסים חלקים יותר, מתקשים מול התנודות החדות האלה ובמוליכות ההשפעות החיצוניות. גם גישות מודרניות של למידה עמוקה, כגון רשתות חוזרות ומודלי Transformer סטנדרטיים, לעתים תופסים או מגמות לטווח הארוך או רעידות לטווח הקצר — אבל לא את שניהם בו‑זמנית — ובדרך כלל מטפלים בגורמים חיצוניים כמו מזג אוויר ותנועה באופן די גס.

מודל חדש שרואה את הזמן בשכבות

כדי להתמודד עם האתגרים הללו, המחברים תכננו טרנספורמר מיזוג רב‑סקאלי (MFT), מודל למידת מכונה המותאם לתחנות טעינת EV. בליבו נמצא מנגנון "רב‑סקאלי" שמאפשר למודל להסתכל על נתוני טעינה מן העבר באמצעות כמה עדשות שונות בו‑זמנית. עדשה אחת מתמקדת בשינויים רחבים ואיטיים לאורך ימים; אחרת מתמקדת בתנודות מהירות שעה‑לשעה; ואחרות נמצאות באמצע. על‑ידי הנחיית ראשי תשומת לב נפרדים במודל להתמחות בסקאלות זמן שונות, ואח״כ מיזוג ההשקפות שלהם, MFT יכול לעקוב הן אחר הקצב הכולל של הטעינה והן אחר הפרטים הדקים של שיאים ונפילות פתאומיות ביעילות רבה יותר מטרנספורמר סטנדרטי.

ללמד את המודל מה מזג האוויר והתנועה באמת משמעותיים

הביקוש לטעינה אינו תלוי בזמן בלבד. באמצעות נתונים מאזור מגורים גדול בנורווגיה, החוקרים מוסיפים למודל 14 תכונות חיצוניות, כולל טמפרטורות, רוח, משקעים, שמש וכמות הרכבים הנעים דרך כמה אזורים סמוכים בכל שעה. תחילה הם מבצעים סריקה סטטיסטית רחבה כדי לבדוק עד כמה כל גורם מקושר לטעינה על פני כל מערך הנתונים. למשל, שמש מראה יחס שלילי ברור: ימים בהירים לעתים מזמנים פחות אירועי טעינה שם. ניתוח זה מייצר סט של משקלי חשיבות בסיסיים שאומרים למודל, במונחים כלליים, אילו גורמים נוטים להיות חשובים יותר ואילו פחות.

לתת למודל להסתגל משעה לשעה

כמובן, כל יום יכול לשבור את התבנית הממוצעת: מדי פעם מזג האוויר רגוע אך התנועה כאוטית, או להפך. כדי להסתגל לשינויים אלה, ה‑MFT כולל מודול מיזוג רב‑משתני שמכוון את משקלי התכונות לכל חיזוי. הוא משתמש בשלב cross‑attention שבו דפוס הטעינה הנוכחי "שואל" את הנתונים החיצוניים, ומחליט אילו אותות מזג אוויר או תנועה רלוונטיים ברגע זה. המודל משלב אז את האותות האלה לייצוג קומפקטי של העולם החיצוני, שהוא משלב עם תמונת הזמן הרב‑סקאלית של העומסים בעבר. מפענח שידי הופך תמונה משותפת זו לחיזויים ל־24, 48, 72 או 96 השעות הבאות.

עד כמה הגישה החדשה מתפקדת

הקבוצה מאמנת ובודקת את ה‑MFT באמצעות נתוני שעות אמיתיים, ומשווה אותו למודלים ידועים לחיזוי כגון GRU, LSTM, LSTM דו‑כיווני וטרנספורמר סטנדרטי. על פני כל אופקי החיזוי ומדדי השגיאה, המודל החדש מוביל, והיתרון שלו מתרחב ככל שהחזוי מתארך בעתיד. בממוצע, ה‑MFT מפחית מדדי שגיאה מרכזיים ביותר מ‑20 אחוזים בהשוואה לרשתות חוזרות וכ־10 אחוזים בהשוואה לטרנספורמר פשוט. חשוב לציין שהוא שומר על דיוק יציב גם לחיזויי 72 ו‑96 שעות, בעוד שמודלים אחרים נוטים לסטות ולהאחר אחרי תנודות העומס האמיתיות.

מה זה אומר לשימוש יומיומי באנרגיה

עבור אנשים שאינם מומחים, המסקנה היא שמתמטיקה טובה יותר יכולה להפוך את טעינת ה‑EV לשקטה יותר, אמינה ויעילה. באמצעות שילוב של מבט שכבה על הזמן והבנה גמישה של מזג אוויר ותנועה, הטרנספורמר מיזוג רב‑סקאלי מספק למפעילי הרשת חיזוי חד יותר של עומס התחנות בימים הקרובים. זאת, בתורה, יכולה לתמוך בתזמון חכם יותר של תחנות כוח, בשילוב חלק יותר של אנרגיות מתחדשות ובמיקום מושכל יותר של מטענים חדשים. ככל שאימוץ ה‑EV יגדל ודגמים עתידיים יוסיפו התנהגות סוללה למודל, כלים כמו MFT עלולים להפוך לרכיבים מרכזיים בשמירה על תחבורה חשמלית גם נוחה לנהגים וגם ידידותית לרשת.

ציטוט: 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

מילות מפתח: טעינת רכב חשמלי, חיזוי עומס, למידה עמוקה, מודל טרנספורמר, רשת חכמה