Previsione temporale del carico di ricarica dei veicoli elettrici mediante un modello IVY-VMD-TCN-BiLSTM con valutazione cross-zone

Perché sono importanti i modelli di ricarica delle auto elettriche

Con la diffusione dei veicoli elettrici nelle strade cittadine, le loro abitudini di ricarica possono mettere sotto pressione le reti elettriche locali in modo improvviso e imprevedibile. Sapere in anticipo quando e dove gli automobilisti si collegheranno è fondamentale per mantenere la continuità del servizio, evitare costosi potenziamenti della rete e offrire opzioni di ricarica comode. Questo studio propone un nuovo approccio per prevedere la domanda di ricarica a breve termine in una grande città, con l’obiettivo di aiutare le utility a pianificare con molta maggiore accuratezza.

Dalle semplici ipotesi a previsioni ricche di dati

I metodi di previsione più datati spesso cercavano di modellare come le persone si spostano e ricaricano usando regole semplificate o probabilità. Questi approcci fanno fatica nelle città moderne, dove le stazioni di ricarica sono distribuite in modo disomogeneo e i comportamenti cambiano con il traffico, il meteo e i prezzi. Gli autori invece adottano strumenti guidati dai dati che apprendono i pattern direttamente da dataset estesi. Utilizzano registri reali di ricarica provenienti da 275 zone di Shenzhen, in Cina, insieme a informazioni come temperatura, umidità, occupazione delle stazioni e prezzi, per costruire un sistema di previsione più flessibile in grado di adattarsi a condizioni urbane complesse.

Scomporre un segnale rumoroso in parti più chiare

La domanda di ricarica dei veicoli elettrici oscilla per via degli orari di lavoro, del fine settimana, delle festività e del meteo, rendendo le previsioni difficili. Per affrontare questo problema, lo studio prima pulisce e rimodella i dati di carico con un avanzato passaggio di elaborazione del segnale. Il metodo, chiamato decomposizione modale variazionale, suddivide la curva di carico grezza in diversi componenti più semplici che catturano ciascuno un ritmo o un pattern specifico. Una procedura di ricerca ispirata alla natura, modellata sul modo in cui le piante di edera crescono verso la luce, sceglie automaticamente quante componenti estrarre e per quanto tempo affinarle. Questo riduce i tentativi arbitrari, filtra il rumore ed evidenzia i cicli regolari nascosti nei dati.

Lasciare che due reti temporali lavorino insieme

Una volta che il segnale di ricarica è stato separato in parti più lisce, ogni componente viene alimentata in un motore di previsione che combina due tipi di reti neurali. La prima, una rete convoluzionale temporale, è efficace nell’individuare tendenze a breve e medio termine scorrendo piccoli filtri lungo l’asse temporale. La seconda, una rete LSTM bidirezionale (long short term memory), osserva il tempo sia avanti che indietro per comprendere come i pattern passati e quelli attesi si connettano. Lo stesso ottimizzatore ispirato all’edera affina i parametri chiave di questo modello combinato, come il numero di filtri e il grado di regolarizzazione contro l’overfitting, in modo che possa apprendere pattern ricchi senza diventare instabile.

Quanto bene funziona il metodo nella città reale

Per testare l’approccio, gli autori addestrano e confrontano diverse versioni del loro modello utilizzando sei mesi di dati orari. Dimostrano che l’intera pipeline con il passaggio di decomposizione e la rete duale ottimizzata prevede i carichi di ricarica futuri con molta maggiore precisione rispetto a modelli più semplici o a quelli tarati con altre procedure di ricerca popolari. Gli errori nelle previsioni si riducono a circa la metà rispetto a reti neurali basilari, e il modello segue molto meglio picchi e depressioni netti. I ricercatori verificano inoltre come il metodo si comporta in diversi tipi di quartieri, come aree prevalentemente residenziali e zone commerciali trafficate, che presentano ritmi di ricarica molto diversi.

Cosa significa per le reti elettriche e gli automobilisti

Lo studio mostra che il nuovo metodo cattura sia i cicli quotidiani regolari sia i cambiamenti improvvisi nei comportamenti di ricarica, raggiungendo un’elevata corrispondenza con i dati reali sia nei quartieri a vocazione domestica sia in quelli a vocazione commerciale. Pur rimanendo più sfidanti le aree commerciali con traffico rapidamente variabile, l’accuratezza resta elevata. Per un lettore non specialistico, il messaggio chiave è che, pulendo con cura i dati e facendo cooperare due strumenti di apprendimento complementari, le utility possono ottenere una visione a breve termine molto più chiara della futura domanda di ricarica dei veicoli elettrici. Questa conoscenza può supportare politiche tariffarie più intelligenti, una migliore collocazione e gestione dei punti di ricarica e un servizio di rete più affidabile man mano che le auto elettriche si diffondono.

Citazione: 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

Parole chiave: ricarica veicoli elettrici, previsione dei carichi, rete intelligente, modellazione di serie temporali, pianificazione energetica urbana