Tijdgebonden voorspelling van laadverbruik van elektrische voertuigen met een IVY-VMD-TCN-BiLSTM-model en cross-zone evaluatie

Waarom laadpatronen van elektrische auto’s ertoe doen

Naarmate elektrische voertuigen algemener worden in de stad, kunnen hun laadgewoonten lokale elektriciteitsnetten plotseling en onvoorspelbaar belasten. Van tevoren weten wanneer en waar bestuurders hun auto’s aansluiten is cruciaal om de stroomvoorziening betrouwbaar te houden, dure netverzwaringen te vermijden en bestuurders gemakkelijke laadopties te bieden. Deze studie presenteert een nieuwe methode om de kortetermijnvraag naar laadvermogen in een grote stad te voorspellen, met als doel hulp te bieden aan netbeheerders om veel nauwkeuriger vooruit te plannen.

Van eenvoudige inschattingen naar data-rijke voorspellingen

Oudere voorspellingsmethoden probeerden vaak het reis- en laadedrag van mensen te modelleren met vereenvoudigde regels of waarschijnlijkheden. Deze benaderingen hebben moeite in moderne steden, waar laadpunten ongelijk verdeeld zijn en gedrag verandert met verkeer, weer en prijzen. De auteurs stappen over op data-gedreven hulpmiddelen die patronen direct uit grote datasets leren. Ze gebruiken echte laadrecords uit 275 zones in Shenzhen, China, samen met gegevens zoals temperatuur, luchtvochtigheid, bezetting van laadstations en prijzen, om een flexibeler voorspellingssysteem te bouwen dat kan aanpassen aan complexe stedelijke omstandigheden.

Een lawaaierig signaal opsplitsen in helderdere onderdelen

De vraag naar laden van elektrische voertuigen schiet op en neer door werkroosters, weekenden, feestdagen en het weer, wat voorspellen bemoeilijkt. Om dit aan te pakken reinigt en herschikt de studie eerst de laadgegevens met een geavanceerde signaalverwerkingsstap. De methode, variational mode decomposition genoemd, splitst de ruwe laadcurve in meerdere eenvoudigere componenten die elk een specifieke ritme of patroon vastleggen. Een door de natuur geïnspireerde zoekprocedure, gemodelleerd op hoe klimop naar licht groeit, kiest automatisch hoeveel componenten te extraheren en hoe lang ze verfijnd moeten worden. Dit vermindert giswerk, filtert ruis weg en legt de regelmatige cycli in de data bloot.

Twee tijdsbewuste netwerken laten samenwerken

Zodra het laad‑signaal in vloeiendere delen is gescheiden, wordt elk deel gevoed aan een voorspellingsmotor die twee soorten neurale netwerken combineert. Het eerste, een temporal convolutional network, is goed in het signaleren van korte- en middellangetermijntrends door kleine filters langs de tijdas te schuiven. Het tweede, een bidirectioneel long short term memory-netwerk, kijkt zowel vooruit als achteruit in de tijd om te begrijpen hoe verleden en verwachte patronen samenhangen. Dezelfde klimop-geïnspireerde optimizer stemt de belangrijkste instellingen van dit gecombineerde model fijn af, zoals het aantal filters en de mate van regulering tegen overfitting, zodat het rijke patronen kan leren zonder instabiel te worden.

Hoe goed de methode werkt in de echte stad

Om de aanpak te testen trainen en vergelijken de auteurs meerdere versies van hun model met zes maanden uurlijkse data. Ze tonen aan dat de volledige pijplijn met zowel de decompositiestap als het geoptimaliseerde duale netwerk toekomstige laadvermogens veel nauwkeuriger voorspelt dan eenvoudigere modellen of modellen die met andere gangbare zoekprocedures zijn afgestemd. De fouten in de voorspelling dalen tot ongeveer de helft van wat ze zijn bij basale neurale netwerken, en het model volgt scherpe pieken en dalen veel beter. De onderzoekers controleren ook hoe de methode presteert in verschillende typen buurten, zoals voornamelijk woonwijken en drukke commerciële zones, die sterk verschillende laadritmes hebben.

Wat dit betekent voor netten en bestuurders

De studie concludeert dat de nieuwe methode zowel vloeiende dagelijkse cycli als plotselinge verschuivingen in laadgedrag vastlegt en een zeer nauwe overeenkomst met real-world data bereikt in zowel thuisgerichte als zakelijkgerichte districten. Hoewel commerciële gebieden met snel veranderend verkeer een grotere uitdaging blijven, blijft de nauwkeurigheid hoog. Voor de niet‑specialistische lezer is de kernboodschap dat door de data zorgvuldig te reinigen en twee complementaire leermethoden samen te laten werken, netbeheerders een veel helderder kortetermijnbeeld kunnen krijgen van de aanstaande laadvraag van elektrische voertuigen. Dit inzicht kan slimmer prijsbeleid, betere plaatsing en exploitatie van laadpunten en betrouwbaardere netdiensten ondersteunen naarmate elektrische auto’s zich verder verspreiden.

Bronvermelding: 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

Trefwoorden: opladen van elektrische voertuigen, belastingvoorspelling, smart grid, tijdrijmodelering, stedelijke energieplanning