רשת צבירה מרובת ממדים לחיזוי ביקוש לטעינת רכבים חשמליים

מדוע חיזויים חכמים לטעינה חשובים

ככל שרכבים חשמליים מתפשטים בעירנו, הפעולה הפשוטה של חיבור לשקע הופכת לפאזל מורכב. חברות החשמל ומתכנני הערים חייבים לוודא שהמטענים נמצאים במקומות הנכונים, שהרשת יכולה לעמוד בעומס, ושהמחירים מעודדים נהגים להתחבר בזמנים הטובים ביותר. מאמר זה מציג שיטה חדשה לחיזוי מתי והיכן נהגים יצטרכו לטעון, במטרה להפוך חיזויים אלה לא רק מדויקים יותר אלא גם מהירים וזולים יותר לחישוב.

האתגר של ניחוש השקע מחר

חיזוי ביקוש לטעינת רכבים חשמליים נשמע פשוט: מסתכלים על שימוש קודם ומקרינים אותו קדימה. במציאות זה שזור בדפוסים חופפים רבים. תחנות באזורים סמוכים משפיעות זו על זו כי נהגים יכולים לבחור ביניהן. הביקוש לטעינה עולה ויורד לאורך היום ושבוע בקצבים סדירים. מעבר לכך, גורמים חיצוניים כגון מחירי חשמל, מזג אוויר, חגים ותנועה משפיעים על בחירות הנהגים. שיטות חיזוי עדכניות רבות מתמקדות בעיקר בגאוגרפיה ובזמן, אך מטפלות בהשפעות הנוספות האלה אחת־אחת, ובכך מפספסות את הדרך שבה הן מתקשרות זו עם זו ובמהלך הזמן. אחרות משלבות חוקים מפורטים "מושכלים פיזיקלית" לגבי התנהגות המחירים והביקוש, מה שיכול לשפר דיוק אך לעתים דורש חישוב כבד וידע מקדים מפורט.

דרך חדשה לשילוב אותות רבים

המחברים מציעים מודל בשם רשת הצבירה המרובת־ממדים (MDFANet), שנבנה במיוחד לביקוש טעינה עירוני. במקום להזין נתונים גולמיים ישירות למודל מרחב־זמן מורכב, MDFANet עובר תחילה שלב ייעודי של "העצמת תכונות". בשלב זה המודל בוחן הן לאורך ציר הזמן והן בין המשתנים השונים — כגון ביקוש, מחיר ותכונות נוספות — כדי לדחוס ל"ליבת תכונות" קומפקטית שתופסת כיצד אותות אלה נעים יחד. ליבה זו משולבת חזרה עם הקלטים המקוריים, ויוצרת תיאור עשיר אך עדיין קל משקל של הנתונים שקל יותר לרכיבי הלמידה הבאים לעבד.

איך המודל לומד ערים בתנועה

לאחר העשרת התכונות, MDFANet מפעיל מודול מרחב־זמני בעל שני חלקים. קודם כל, רשת קשב מבוססת גרף מתמקדת בקשרים בין אזורים בעיר, ומקצה משקל גבוה יותר לאזורים שהתנהגות הטעינה שלהם אינפורמטיבית יותר לכל אזור יעד. מספר "ראשי קשב" מאפשרים למודל לשקול מספר סוגי השפעה מרחבית בו־זמנית, בעוד קישור שאריות מיוחד מונע מטשטוש פרטים חשובים כשהשכבות נערמות. לאחר מכן, מודול סדרת זמן חוזרת ממודד כיצד תכונות אלה, המושפעות מרחבית, משתנות בזמן, ולומד דפוסים קצרים וארוכי טווח בהתנהגות הטעינה. לבסוף, מקודד פשוט מתרגם את הייצוג הפנימי הנלמד לחיזויים של ביקוש טעינה עתידי בזמני חזוי שונים, מ-15 דקות ועד שעה קדימה.

בדיקת השיטה

החוקרים העריכו את MDFANet על מאגר נתונים ציבורי משנזן, סין, המתעד ביקוש לטעינה ומחירים בזמן אמת כל חמש דקות על פני 247 אזורים. הם השוו את המודל שלהם מול מגוון גישות, כולל כלים סטטיסטיים קלאסיים, רשתות למידה עמוקה סטנדרטיות, מודלים מבוססי־גרף והדוגמה העדכנית המושכלת־פיזיקלית. על פני ארבעת מדדי הדיוק הנפוצים, MDFANet השיג בעקביות שגיאות חיזוי נמוכות יותר מכל המתחרים, כולל המודל המושכל־פיזיקלית PIAST. במקביל, MDFANet דרש בערך מחצית משעת האימון של שיטות המושכלות־פיזיקלית באותו חומרה ולוח זמנים של אימון. ניסויים שהסירו בכוונה חלקים מהמודל הראו ששני מודול הצבירה והתכונה והמודול המרחב־זמני נחוצים כדי להגיע לביצועים הטובים ביותר. ניסויים נוספים שהפחיתו את כמות נתוני האימון הצביעו על כך ש-MDFANet מתדרדר בעדינות, ושומר על דיוק שימושי גם כאשר רק חצי מהנתונים המקוריים זמינים.

מה זה אומר לנהגים ולעיריות

במילים פשוטות, עבודה זו מראה שניתן להשיג חיזויים מדויקים ומהירים יותר של מתי והיכן רכבים חשמליים יצטרכו לטעון על ידי שילוב מדוד של כל האותות השונים בנתונים, ולאחר מכן לימוד האינטראקציות בין מיקומים וזמנים. עבור מתכנני ערים ומפעילי רשת, חיזויים מדויקים ויעילים יותר יכולים לתמוך במיקום חכם יותר של עמדות טעינה, בתפעול חלק יותר של הרשת ובסכמות תמחור רגישות יותר. עבור הנהגים, זה יכול לתרגם להמתנה קצרה יותר ולגישה מהימנה יותר למטענים. המחקר עדיין מסתמך בעיקר על רשומות טעינה ומחיר מהעבר, והמחברים מציינים שגרסאות עתידיות צריכות לשלב הקשר עשיר יותר כגון מזג אוויר ותנועה. אף על פי כן, התוצאות שלהם מציעות שמודלים מונחי נתונים שעוצבו בתשומת לב כמו MDFANet יכולים לסייע לערים להדביק את הקצב של הצמיחה המהירה ברכבים חשמליים.

ציטוט: 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

מילות מפתח: טעינת רכבים חשמליים, חיזוי ביקוש, מניעת מרחבית-זמנית, למידה עמוקה, רשת חכמה