חיזוי זמני של עומס הטעינה לרכבים חשמליים באמצעות מודל IVY-VMD-TCN-BiLSTM עם הערכה חוצת-אזור

מדוע דפוסי טעינת מכוניות חשמליות חשובים

ככל שהרכבים החשמליים נפוצים ברחובות העיר, הרגלי הטעינה שלהם עלולים לעמיס על רשתות החשמל המקומיות בקפיצות פתאומיות ובלתי צפויות. ידיעה מראש מתי והיכן הנהגים יטעינו חיונית לשמירה על אספקת חשמל תקינה, להימנעות משדרוגי רשת יקרים ולמתן אפשרויות טעינה נוחות לנהגים. המחקר מציג שיטה חדשה לחיזוי דרישת טעינה קצרה טווח בעיר גדולה, במטרה לסייע לחברות התשתית לתכנן מראש בדיוק רב הרבה יותר.

מניחושים פשוטים לחיזויים עשירים בנתונים

שיטות חיזוי ישנות ניסו לעתים לדגם כיצד אנשים נוסעים ונטענים באמצעות כללים מפושטים או הסתברויות. גישות אלה מתקשות בערים מודרניות, שבהן עמדות הטעינה מפוזרות באופן לא אחיד וההתנהגות משתנה לפי תנועה, מזג אוויר ומחירים. החוקרים פונים במקום זאת לכלים מונחי-נתונים שלומדים תבניות ישירות ממאגרי מידע גדולים. הם משתמשים ברשומות טעינה אמיתיות מ-275 אזורים בשנזן, סין, יחד עם מידע כגון טמפרטורה, לחות, תפוסת עמדות ומחירים, כדי לבנות מערכת חיזוי גמישה שיכולה להתאים לתנאים עירוניים מורכבים.

פיצול אות רועש לחלקים ברורים יותר

דרישת הטעינה של רכבים חשמליים עלולה להקפיץ ולרדת בעקבות שעות עבודה, סופי שבוע, חגים ומזג אוויר, מה שהופך את החיזוי לקשה. להתמודדות עם זאת, המחקר מנקה ומעצב מחדש תחילה את נתוני העומס באמצעות שלב עיבוד אותות מתקדם. השיטה, המכונה דה-קומפוזיציה ואריאציונית של מצבים (variational mode decomposition), מפצלת את עקומת הטעינה הגולמית למספר מרכיבים פשוטים יותר שכל אחד מהם לוכד קצב או תבנית מסוימת. הליך חיפוש בהשראת הטבע, המדמה כיצד צמח היערון (ivy) גדל לכיוון האור, בוחר אוטומטית כמה מרכיבים לחלץ וכמה יש לדייק כל אחד מהם. כך מצטמצמת העבודה המוערכת, מסוננים רעשים ומודגשים המחזורים הסדירים החבויים בנתונים.

שילוב שני רשתות עם מודעות לזמן

לאחר שהאות מופרק לחלקים חלקים יותר, כל חלק מוזן למנוע חיזוי שמשלב שני סוגי רשתות עצביות. הראשונה, רשת קונבולוציה טמפורלית, טובה בזיהוי מגמות קצרות ובינוניות-טווח על ידי החלקת מסננים קטנים לאורך ציר הזמן. השנייה, רשת LSTM דו-כיוונית, מביטה גם קדימה וגם אחורה בזמן כדי להבין כיצד דפוסים עבריים וצפויים מתחברים. אותו מיטב אופטימיזציה בהשראת ה-ivy מיילת את ההגדרות המרכזיות של המודל המשולב, כמו מספר המסננים ועוצמת מניעת ההיפר-התאמה, כך שיוכל ללמוד תבניות עשירות מבלי להפוך לבלתי יציב.

כמה טוב השיטה עובדת בעיר אמיתית

כדי לבחון את הגישה, המחברים מאמנים ומשווים מספר גרסאות של המודל שלהם באמצעות שישה חודשי נתונים בשעון לשעה. הם מראים שהצנרת המלאה הכוללת גם שלב הפירוק וגם את הרשת הכפולה המותאמת חוזה את עומסי הטעינה העתידיים בדיוק רב יותר מאשר מודלים פשוטים או כאלה שנכווּנו באמצעות הליכי חיפוש פופולריים אחרים. שגיאות בחיזוי יורדות לכמעט מחצית מאלה של רשתות עצביות בסיסיות, והמודל עוקב טוב בהרבה אחר שיאים ועמקים חדים. החוקרים גם בודקים כיצד השיטה מתפקדת בשכונות מסוגים שונים, כגון אזורים בעיקרם למגורים והאזורים המסחריים הפעילים, שמציגים קטעי טעינה שונים מאוד.

מה המשמעות עבור הרשתות והנהגים

המחקר מגלה שהשיטה החדשה לוכדת גם מחזורים יומיים חלקים וגם שינויים פתאומיים בהתנהגות הטעינה, ומשיגה התאמה הדוקה מאוד לנתוני העולם האמיתי הן באזורים ממוקדי בית והן באזורים ממוקדי עסקים. אזורים מסחריים עם תנועה משתנה במהירות עדיין מציבים אתגר גדול יותר, אך הדיוק נשאר גבוה. עבור קורא כללי, המסר המרכזי הוא שעל-ידי ניקוי זהיר של הנתונים ומתן שיתוף פעולה בין שני כלי-למידה משלימים, חברות התשתית יכולות לקבל תמונה קצרת-טווח הרבה יותר ברורה של דרישת טעינת רכבים חשמליים קרבה. תובנה זו יכולה לתמוך בתמחור חכם יותר, מיקום ותפעול טובים יותר של מטענים, ושירות רשת אמין יותר ככל שהמכוניות החשמליות ממשיכות להתפשט.

ציטוט: 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

מילות מפתח: טעינת רכבים חשמליים, חיזוי עומס, רשת חכמה, ניבוי סדרות זמנים, תכנון אנרגיה עירוני