Trasformatore a fusione multiscala per la previsione del carico delle stazioni di ricarica per VE

Perché una ricarica dei VE più intelligente è importante

Con la diffusione dei veicoli elettrici (VE) nelle città, le loro abitudini di ricarica stanno diventando rilevanti per la rete elettrica tanto quanto il traffico nelle ore di punta lo è per le autostrade. Se molti conducenti si collegano contemporaneamente, cavi e trasformatori locali possono essere sollecitati; se gli operatori di rete conoscono in anticipo quando e dove si verificheranno picchi di ricarica, possono bilanciare l’offerta, evitare blackout e persino usare i VE come risorse energetiche flessibili. Questo articolo presenta un nuovo metodo per prevedere quanto saranno occupate le stazioni di ricarica nei prossimi uno-quattro giorni, con l’obiettivo di fornire a pianificatori di rete e aziende di ricarica una visione molto più chiara del futuro prossimo.

La difficoltà di prevedere le prese di domani

Prevedere la domanda di ricarica dei VE è sorprendentemente difficile. I conducenti scelgono quando ricaricare in base a orari di lavoro, meteo, commissioni e persino ingorghi stradali, facendo oscillare il carico totale in una stazione in modo apparentemente casuale. Gli strumenti statistici tradizionali, che funzionano bene per pattern più regolari, faticano con queste fluttuazioni brusche e con la mescolanza di influenze esterne al sistema elettrico. Anche gli approcci di deep learning moderni, come le reti neurali ricorrenti e i Transformer standard, spesso catturano o le tendenze a lungo termine o le variazioni a breve termine, ma non entrambe contemporaneamente, e solitamente trattano i fattori esterni come meteo e traffico in modo piuttosto grezzo.

Un nuovo modello che vede il tempo a strati

Per affrontare questi problemi, gli autori progettano un Trasformatore a Fusione Multiscala (MFT), un modello di machine learning pensato per le stazioni di ricarica dei VE. Al suo centro c’è un meccanismo “multiscala” che permette al modello di osservare i dati di ricarica passati con più lenti contemporaneamente. Una lente si concentra sui cambiamenti lenti e ampi che avvengono su giorni; un’altra mette a fuoco le variazioni rapide ora per ora; altre si collocano nelle scale intermedie. Guidando diverse teste di attenzione all’interno del modello a specializzarsi in scale temporali differenti e poi fondendo le loro viste, l’MFT può seguire sia il ritmo complessivo della ricarica sia i dettagli fini dei picchi e dei cali improvvisi in modo più efficace di un Transformer standard.

Insegnare al modello cosa significano davvero meteo e traffico

La domanda di ricarica non dipende solo dal tempo. Utilizzando dati provenienti da un’ampia area residenziale in Norvegia, i ricercatori aggiungono 14 feature esterne al modello, tra cui temperature, vento, precipitazioni, soleggiamento e quante vetture si muovono attraverso diverse zone vicine ogni ora. Per prima cosa eseguono una scansione statistica ampia per valutare quanto ciascun fattore sia correlato alla ricarica sull’intero dataset. Il soleggiamento, per esempio, mostra una relazione negativa evidente: i giorni più luminosi spesso coincidono con meno eventi di ricarica in quell’area. Questa analisi produce un insieme di pesi di importanza di base che indicano al modello, in termini generali, quali fattori tendono a essere più rilevanti e quali meno.

Lasciare che il modello si adatti ora per ora

Certo, un singolo giorno può rompere il modello medio: a volte il meteo è calmo ma il traffico è caotico, o viceversa. Per adattarsi a questi cambiamenti, l’MFT include un modulo di fusione multivariata che aggiusta i pesi delle feature per ciascuna previsione. Utilizza un passaggio di cross-attention in cui l’attuale schema di ricarica “interroga” i dati esterni, decidendo quali segnali meteo o di traffico sono più rilevanti in quel momento. Il modello poi fonde questi segnali in una rappresentazione compatta del mondo esterno, che combina con la vista multiscala dei carichi passati. Un decoder a valle trasforma questa immagine congiunta in previsioni per le successive 24, 48, 72 o 96 ore.

Quanto bene funziona il nuovo approccio

Il team allena e testa l’MFT usando dati orari reali, confrontandolo con modelli di previsione noti come GRU, LSTM, LSTM bidirezionale e un Transformer standard. Su tutti gli orizzonti di previsione e le misure di errore, il nuovo modello risulta in vantaggio, e il suo margine cresce man mano che l’orizzonte di previsione si estende. In media, l’MFT riduce le principali metriche di errore di oltre il 20 percento rispetto alle reti ricorrenti e di circa il 10 percento rispetto a un Transformer semplice. È importante che mantenga una precisione stabile anche per previsioni a 72 e 96 ore, mentre altri modelli tendono a deviare e rimanere indietro rispetto alle oscillazioni effettive del carico.

Cosa significa questo per l’uso quotidiano dell’energia

Per i non specialisti, il risultato principale è che una matematica migliore può rendere la ricarica dei VE più affidabile ed efficiente in modo discreto. Combinando una visione stratificata del tempo con una comprensione flessibile di meteo e traffico, il Trasformatore a Fusione Multiscala offre agli operatori di rete una previsione più nitida di quanto saranno utilizzate le stazioni nei prossimi giorni. Ciò, a sua volta, può supportare una programmazione più intelligente delle centrali elettriche, una integrazione più fluida delle energie rinnovabili e una collocazione più informata dei nuovi punti di ricarica. Con la crescita dell’adozione dei VE e l’aggiunta in futuro del comportamento delle batterie nei modelli, strumenti come l’MFT potrebbero diventare elementi chiave per mantenere il trasporto elettrico sia comodo per gli automobilisti sia compatibile con la rete.

Citazione: 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

Parole chiave: ricarica veicoli elettrici, previsione del carico, deep learning, modello Transformer, rete elettrica intelligente