Transformator fuzji wieloskalowej do prognozowania obciążenia stacji ładowania pojazdów elektrycznych

Dlaczego inteligentniejsze ładowanie EV ma znaczenie

W miarę jak pojazdy elektryczne (EV) zdobywają miasta, ich zwyczaje ładowania zaczynają wpływać na sieć energetyczną równie mocno, jak godziny szczytu wpływają na autostrady. Jeśli wielu kierowców podłączy się jednocześnie, lokalne kable i transformatory mogą być przeciążone; jeśli operatorzy sieci wiedzą z wyprzedzeniem, kiedy i gdzie nastąpią skoki ładowania, mogą zrównoważyć dostawy, uniknąć awarii i nawet wykorzystać EV jako elastyczne zasoby energii. Niniejszy artykuł przedstawia nową metodę prognozowania, jak intensywnie będą użytkowane stacje ładowania w ciągu najbliższych jednego do czterech dni, z zamiarem zapewnienia planistom sieci i firmom ładowania znacznie jaśniejszego obrazu przyszłości.

Trudność w przewidywaniu jutrzejszych wtyczek

Przewidywanie zapotrzebowania na ładowanie EV jest zaskakująco trudne. Kierowcy wybierają moment ładowania w oparciu o harmonogramy pracy, pogodę, sprawunki, a nawet korki, co sprawia, że całkowite obciążenie na stacji skacze w sposób pozornie losowy. Tradycyjne narzędzia statystyczne, które sprawdzają się przy bardziej gładkich wzorcach, mają problem z tymi gwałtownymi wahaniami i z mieszanką wpływów spoza systemu energetycznego. Nawet nowoczesne podejścia z zakresu uczenia głębokiego, takie jak rekurencyjne sieci neuronowe czy standardowe modele Transformer, często uchwytują albo długoterminowe trendy, albo krótkotrwałe fluktuacje, ale rzadko oba jednocześnie, a czynniki zewnętrzne, takie jak pogoda i ruch, traktują zwykle dość prymitywnie.

Nowy model, który widzi czas w warstwach

Aby sprostać tym problemom, autorzy zaprojektowali Transformator Fuzji Wieloskalowej (MFT), model uczenia maszynowego dostosowany do stacji ładowania EV. Jego sednem jest mechanizm „wieloskalowy”, który pozwala modelowi jednocześnie spoglądać na przeszłe dane ładowania przez kilka różnych soczewek. Jedna soczewka skupia się na szerokich, wolnych zmianach w ciągu dni; inna przybliża szybkie, godzinowe wahania; kolejne leżą pośrednio. Kierując oddzielne głowy uwagi w modelu do specjalizacji w różnych skalach czasowych, a następnie łącząc ich spostrzeżenia, MFT potrafi śledzić zarówno ogólny rytm ładowania, jak i drobne detale nagłych szczytów i spadków skuteczniej niż standardowy Transformer.

Nauczanie modelu, co naprawdę oznaczają pogoda i ruch

Popyt na ładowanie zależy nie tylko od czasu. Wykorzystując dane z dużego osiedla mieszkaniowego w Norwegii, badacze dodali do modelu 14 cech zewnętrznych, w tym temperaturę, wiatr, opady, nasłonecznienie oraz liczbę pojazdów poruszających się przez kilka pobliskich stref w każdej godzinie. Najpierw przeprowadzili szerokie skanowanie statystyczne, by sprawdzić, jak silnie każdy czynnik jest powiązany z ładowaniem w całym zbiorze danych. Na przykład nasłonecznienie wykazuje zauważalny negatywny związek: jaśniejsze dni często oznaczają tam mniej zdarzeń ładowania. Ta analiza generuje zestaw podstawowych wag ważności, które mówią modelowi, w ogólnych zarysach, które czynniki zwykle mają większe znaczenie, a które mniejsze.

Pozwalanie modelowi na adaptację z godziny na godzinę

Oczywiście pojedynczy dzień może zaburzyć średni wzorzec: czasami pogoda jest spokojna, lecz ruch chaotyczny, albo odwrotnie. Aby dostosować się do tych zmian, MFT zawiera moduł fuzji wielozmiennych, który koryguje wagi cech dla każdej prognozy. Wykorzystuje krok cross‑attention, w którym bieżący wzorzec ładowania „zapytuje” dane zewnętrzne, decydując, które sygnały pogodowe lub ruchu są teraz najbardziej istotne. Model następnie miesza te sygnały w zwartą reprezentację świata zewnętrznego, którą łączy z wieloskalowym widokiem przeszłych obciążeń. Następnie dekoder przetwarza ten wspólny obraz na prognozy na kolejne 24, 48, 72 lub 96 godzin.

Jak dobrze sprawdza się nowe podejście

Zespół trenował i testował MFT używając rzeczywistych godzinowych danych, porównując go z dobrze znanymi modelami prognostycznymi, takimi jak GRU, LSTM, dwukierunkowy LSTM i standardowy Transformer. We wszystkich horyzontach prognozy i według wszystkich miar błędu nowy model wypada lepiej, a jego przewaga rośnie wraz z wydłużaniem się horyzontu. Średnio MFT zmniejsza kluczowe metryki błędu o ponad 20 procent w porównaniu z sieciami rekurencyjnymi i o około 10 procent w porównaniu z prostym Transformerem. Co istotne, utrzymuje stabilną dokładność nawet dla prognoz 72‑ i 96‑godzinnych, podczas gdy inne modele mają tendencję do dryfowania i opóźnień względem rzeczywistych wahań obciążenia.

Co to oznacza dla codziennego zużycia energii

Dla czytelników niebędących specjalistami sedno jest takie, że lepsza matematyka może uczynić ładowanie EV cichszym, bardziej niezawodnym i wydajnym. Łącząc warstwowy widok czasu z elastycznym rozumieniem pogody i ruchu, Transformator Fuzji Wieloskalowej daje operatorom sieci ostrzejszą prognozę tego, jak intensywnie stacje będą wykorzystywane w nadchodzących dniach. To z kolei może wspierać mądrzejsze planowanie pracy elektrowni, płynniejszą integrację energii odnawialnej i lepsze lokalizowanie nowych ładowarek. Wraz ze wzrostem adopcji EV i w miarę jak przyszłe modele będą uwzględniać zachowanie baterii, narzędzia takie jak MFT mogą stać się kluczowymi składnikami w utrzymaniu transportu elektrycznego wygodnego dla kierowców i przyjaznego dla sieci.

Cytowanie: 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

Słowa kluczowe: ładowanie pojazdów elektrycznych, prognozowanie obciążenia, uczenie głębokie, model Transformer, inteligentna sieć