Een multi-dimensionaal feature-aggregatienetwerk voor voorspelling van laadvraag van elektrische voertuigen

Waarom slimmere laadprognoses ertoe doen

Nu elektrische auto’s zich door onze steden verspreiden, wordt het eenvoudige stekkeren een complex puzzelstuk. Energiebedrijven en stadsplanners moeten ervoor zorgen dat laders op de juiste plekken staan, dat het net de belasting aankan, en dat prijzen bestuurders aanmoedigen om op de beste momenten in te pluggen. Dit artikel introduceert een nieuwe manier om te voorspellen wanneer en waar bestuurders moeten opladen, met als doel die voorspellingen niet alleen nauwkeuriger te maken, maar ook sneller en goedkoper te berekenen.

De uitdaging van het raden waar morgen wordt ingeplugd

Het voorspellen van de vraag naar opladen van elektrische voertuigen lijkt eenvoudig: kijk naar het verleden en projecteer dat vooruit. In werkelijkheid is het verstrikt in veel overlappende patronen. Stations in nabijgelegen wijken beïnvloeden elkaar omdat bestuurders tussen hen kunnen kiezen. Laadvraag stijgt en daalt door de dag en week in regelmatige ritmes. Daarbovenop duwen externe factoren zoals elektriciteitsprijzen, weer, feestdagen en verkeer allemaal aan de keuzes van bestuurders. Veel recente voorspellingsmethoden richten zich vooral op geografie en tijd, maar behandelen deze extra invloeden één voor één, waardoor ze missen hoe die elkaar onderling en in de tijd beïnvloeden. Andere methoden nemen gedetailleerde “physics-informed” regels op over hoe prijzen en vraag zich zouden moeten gedragen, wat de nauwkeurigheid kan verbeteren maar vaak zware rekenkracht en diepgaande voorkennis vereist.

Een nieuwe manier om veel signalen te mengen

De auteurs stellen een model voor dat het Multi-Dimensional Feature Aggregation Network, of MDFANet, heet, specifiek ontwikkeld voor stedelijke laadvraag. In plaats van ruwe data direct in een complex ruimtelijk-temporeel model te stoppen, voert MDFANet de data eerst door een speciale fase van “feature enhancement”. In deze fase kijkt het model zowel langs de tijdas als over de verschillende variabelen — zoals vraag, prijs en andere kenmerken — om een compact “feature-core” te distilleren dat vastlegt hoe deze signalen gezamenlijk bewegen. Deze kern wordt vervolgens teruggemengd met de oorspronkelijke inputs, wat een rijkere maar nog steeds lichte beschrijving van de data oplevert die latere componenten gemakkelijker kunnen leren.

Hoe het model steden in beweging leert

Zodra de features zijn versterkt, past MDFANet een tweedelig ruimtelijk-temporeel module toe. Eerst richt een op grafen gebaseerd attentienetwerk zich op relaties tussen zones in de stad, en kent meer gewicht toe aan gebieden waarvan het laadedrag het meest informatief is voor een doelzone. Meerdere attention “heads” helpen het model om tegelijk verschillende typen ruimtelijke invloed te overwegen, terwijl een speciale residuele koppeling voorkomt dat belangrijke details verloren gaan naarmate lagen worden gestapeld. Vervolgens modelleren een recurrente tijdreeksmodule hoe deze ruimtelijk geïnformeerde features in de tijd veranderen, waarbij korte- en langetermijnpatronen in laadgetrag worden geleerd. Tenslotte zet een eenvoudige decoder de geleerde interne representatie om in voorspellingen van toekomstige laadvraag voor verschillende voorspellingshorizonnen, van 15 minuten tot een uur vooruit.

De methode op de proef gesteld

De onderzoekers evalueerden MDFANet op een publieke dataset uit Shenzhen, China, die elke vijf minuten laadvraag en realtime prijzen vastlegt over 247 zones. Ze vergeleken hun model met diverse benaderingen, waaronder klassieke statistische tools, standaard deep learning-netwerken, grafgebaseerde modellen en de nieuwste physics-informed benchmark. Over vier gangbare nauwkeurigheidsmaten behaalde MDFANet consequent lagere voorspellingsfouten dan alle concurrenten, inclusief het physics-informed model PIAST. Tegelijkertijd vereiste MDFANet ongeveer de helft van de trainingsduur van deze physics-informed methoden onder dezelfde hardware en trainingsschema. Tests die delen van het model doelbewust verwijderden, toonden aan dat zowel de feature-aggregatiemodule als de ruimtelijk-temporele module noodzakelijk waren om de beste prestatie te bereiken. Extra experimenten waarin de hoeveelheid trainingsdata werd verkleind, suggereerden dat MDFANet gracieus degradeert en bruikbare nauwkeurigheid behoudt, zelfs wanneer slechts de helft van de oorspronkelijke data beschikbaar is.

Wat dit betekent voor bestuurders en steden

In eenvoudige bewoordingen toont dit werk aan dat we betere en snellere voorspellingen kunnen krijgen van wanneer en waar elektrische voertuigen moeten laden door eerst zorgvuldig alle verschillende signalen in de data te mengen en daarna te leren hoe locaties en tijden met elkaar interageren. Voor stadsplanners en netbeheerders kunnen nauwkeurigere en efficiëntere voorspellingen slimmer plaatsen van laadstations, soepeler netbeheer en meer responsieve prijsschema’s ondersteunen. Voor bestuurders kan dit zich vertalen in kortere wachttijden en betrouwbaardere toegang tot laders. De studie steunt nog grotendeels op historische laad- en prijsgegevens, en de auteurs merken op dat toekomstige versies rijkere contexten zoals weer en verkeer zouden moeten opnemen. Desalniettemin suggereren hun resultaten dat doordacht ontworpen datagedreven modellen zoals MDFANet steden kunnen helpen bijbenen met de snelle groei van elektrische voertuigen.

Bronvermelding: 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

Trefwoorden: opladen van elektrische voertuigen, vraagvoorspelling, ruimtelijk-temporele modellering, deep learning, slim net