Una rete di aggregazione delle caratteristiche multidimensionale per la previsione della domanda di ricarica dei veicoli elettrici

Perché contano previsioni di ricarica più intelligenti

Con la diffusione delle auto elettriche nelle nostre città, il semplice gesto di collegare il cavo si sta trasformando in un puzzle complesso. Compagnie elettriche e pianificatori urbani devono assicurarsi che i punti di ricarica siano posizionati correttamente, che la rete sopporti i carichi e che i prezzi incentivino gli automobilisti a ricaricare nei momenti migliori. Questo articolo presenta un nuovo metodo per prevedere quando e dove gli automobilisti avranno bisogno di ricaricare, con l’obiettivo di rendere tali previsioni non solo più accurate, ma anche più rapide ed economiche da calcolare.

La sfida di indovinare le prese di domani

Prevedere la domanda di ricarica dei veicoli elettrici sembra semplice: osservare l’uso passato e proiettarlo in avanti. In realtà è intrecciato in molti schemi sovrapposti. Le stazioni in quartieri vicini si influenzano a vicenda perché i guidatori possono scegliere tra più opzioni. La domanda di ricarica aumenta e diminuisce nel corso della giornata e della settimana seguendo ritmi regolari. Inoltre, fattori esterni come i prezzi dell’elettricità, il meteo, le festività e il traffico influenzano le scelte degli utenti. Molti metodi recenti di previsione si concentrano principalmente su geografia e tempo, ma trattano questi influssi aggiuntivi uno per uno, perdendo come interagiscono tra loro e nel tempo. Altri integrano regole dettagliate “informate dalla fisica” su come dovrebbero comportarsi prezzi e domanda, il che può migliorare l’accuratezza ma spesso richiede calcoli pesanti e conoscenze a priori dettagliate.

Un nuovo modo di fondere molti segnali

Gli autori propongono un modello chiamato Multi-Dimensional Feature Aggregation Network, o MDFANet, progettato specificamente per la domanda di ricarica urbana. Piuttosto che immettere i dati grezzi direttamente in un modello spazio-temporale complesso, MDFANet passa prima i dati attraverso una fase dedicata di “potenziamento delle caratteristiche”. In questa fase, il modello guarda sia lungo l’asse temporale sia attraverso le diverse variabili — come domanda, prezzo e altre caratteristiche — per distillare un “nucleo di caratteristiche” compatto che cattura come questi segnali si muovono insieme. Questo nucleo viene quindi miscelato con gli input originali, producendo una descrizione più ricca ma ancora leggera dei dati, più facile da apprendere per i componenti successivi.

Come il modello impara le città in movimento

Una volta potenziate le caratteristiche, MDFANet applica un modulo spazio-temporale in due parti. Prima, una rete di attenzione basata su grafi si concentra sulle relazioni tra le zone della città, assegnando più peso alle aree il cui comportamento di ricarica è più informativo per ciascuna zona target. Molteplici “head” di attenzione aiutano il modello a considerare contemporaneamente diversi tipi di influenza spaziale, mentre un collegamento residuo speciale evita che dettagli importanti vengano persi man mano che gli strati si accumulano. Successivamente, un modulo ricorrente per serie temporali modella come queste caratteristiche informate spazialmente cambiano nel tempo, imparando schemi di comportamento di ricarica a breve e lungo termine. Infine, un semplice decodificatore traduce la rappresentazione interna appresa in previsioni della domanda di ricarica futura a diversi orizzonti temporali, da 15 minuti fino a un’ora di anticipo.

Mettere il metodo alla prova

I ricercatori hanno valutato MDFANet su un dataset pubblico di Shenzhen, Cina, che registra la domanda di ricarica e i prezzi in tempo reale ogni cinque minuti su 247 zone. Hanno confrontato il loro modello con una varietà di approcci, inclusi strumenti statistici classici, reti deep learning standard, modelli basati su grafi e il più recente benchmark informato dalla fisica. Su quattro misure di accuratezza comuni, MDFANet ha ottenuto costantemente errori di previsione inferiori rispetto a tutti i concorrenti, incluso il modello informato dalla fisica PIAST. Allo stesso tempo, MDFANet ha richiesto circa la metà del tempo di addestramento rispetto a questi metodi informati dalla fisica con lo stesso hardware e programma di training. Test che hanno rimosso volutamente parti del modello hanno mostrato che sia il modulo di aggregazione delle caratteristiche sia il modulo spazio-temporale erano necessari per raggiungere le migliori prestazioni. Ulteriori esperimenti che hanno ridotto la quantità di dati di addestramento suggeriscono che MDFANet degrada in modo graduale, mantenendo un’accuratezza utile anche quando sono disponibili solo la metà dei dati originali.

Cosa significa per guidatori e città

In termini semplici, questo lavoro dimostra che possiamo ottenere previsioni migliori e più veloci su quando e dove i veicoli elettrici avranno bisogno di ricaricare, fondendo prima con cura tutti i diversi segnali nei dati e poi imparando come luoghi e tempi interagiscono. Per pianificatori urbani e operatori di rete, previsioni più accurate ed efficienti potrebbero supportare un posizionamento più intelligente delle stazioni di ricarica, un funzionamento più fluido della rete e schemi tariffari più reattivi. Per gli automobilisti, potrebbe tradursi in attese più brevi e accesso ai punti di ricarica più affidabile. Lo studio si basa ancora principalmente su registri passati di ricarica e prezzi, e gli autori sottolineano che versioni future dovrebbero incorporare contesto più ricco come meteo e traffico. Anche così, i loro risultati suggeriscono che modelli guidati dai dati e progettati con cura come MDFANet possono aiutare le città a tenere il passo con la rapida crescita dei veicoli elettrici.

Citazione: 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

Parole chiave: ricarica veicoli elettrici, previsione della domanda, modellazione spazio-temporale, deep learning, rete elettrica intelligente