Wielowymiarowa sieć agregacji cech do prognozowania zapotrzebowania na ładowanie pojazdów elektrycznych

Dlaczego lepsze prognozy ładowania są ważne

W miarę jak samochody elektryczne wypełniają nasze miasta, prosty akt podłączenia się do ładowarki staje się złożoną układanką. Firmy energetyczne i urbaniści muszą zadbać, by stacje znajdowały się w odpowiednich miejscach, żeby sieć poradziła sobie z obciążeniem, a ceny zachęcały kierowców do ładowania w optymalnych godzinach. Artykuł przedstawia nową metodę prognozowania kiedy i gdzie kierowcy będą potrzebować ładowania, mającą na celu uczynienie tych prognoz nie tylko dokładniejszymi, ale też szybszymi i tańszymi w obliczeniach.

Wyzwanie zgadywania, kiedy jutro podłączą się auta

Prognozowanie zapotrzebowania na ładowanie pojazdów elektrycznych wydaje się proste: spójrz na przeszłe użycie i rzuć projekcję w przyszłość. W praktyce jednak sprawa jest spleciona z wieloma nakładającymi się wzorcami. Stacje w pobliskich dzielnicach wzajemnie się na siebie wpływają, bo kierowcy mogą wybierać między nimi. Popyt na ładowanie rośnie i spada w ciągu dnia i tygodnia według regularnych rytmów. Do tego zewnętrzne czynniki, takie jak ceny energii, pogoda, święta czy ruch uliczny, wpływają na decyzje kierowców. Wiele współczesnych metod prognozowania koncentruje się głównie na geografii i czasie, traktując te dodatkowe wpływy pojedynczo, przez co nie uchwytują ich wzajemnych interakcji w czasie. Inne metody wprowadzają szczegółowe reguły „świadome fizyki” dotyczące zachowania cen i popytu, co może poprawić dokładność, ale często wymaga dużych zasobów obliczeniowych i szczegółowej wiedzy wstępnej.

Nowy sposób łączenia wielu sygnałów

Autorzy proponują model nazwany Wielowymiarową Siecią Agregacji Cech, czyli MDFANet, stworzony specjalnie do prognozowania miejskiego zapotrzebowania na ładowanie. Zamiast podawać surowe dane bezpośrednio do złożonego modelu przestrzenno‑czasowego, MDFANet najpierw przepuszcza dane przez dedykowany etap „wzmacniania cech”. Na tym etapie model analizuje dane zarówno wzdłuż osi czasu, jak i pomiędzy różnymi zmiennymi — takimi jak popyt, cena i inne cechy — aby wydestylować zwartą „rdzeń cech”, który uchwyci, jak te sygnały poruszają się razem. Ten rdzeń jest następnie mieszany z oryginalnymi wejściami, tworząc bogatszy, lecz wciąż lekki opis danych, który jest łatwiejszy do nauczenia dla kolejnych komponentów.

Jak model uczy się miast w ruchu

Gdy cechy zostaną wzmocnione, MDFANet stosuje dwuczęściowy moduł przestrzenno‑czasowy. Najpierw sieć uwagi oparta na grafie koncentruje się na relacjach między strefami miasta, przyznając większą wagę obszarom, których zachowanie ładowania jest najbardziej informatywne dla danej strefy docelowej. Wielość „głów” uwagi pomaga modelowi rozważyć kilka typów wpływów przestrzennych jednocześnie, podczas gdy specjalne łącze resztkowe zapobiega zatraceniu ważnych szczegółów w miarę nakładania warstw. Następnie rekurencyjny moduł szeregów czasowych modeluje, jak te przestrzennie zintegrowane cechy zmieniają się w czasie, ucząc się krótkich i dłuższych wzorców zachowań ładowania. Na koniec prosty dekoder tłumaczy wyuczoną reprezentację wewnętrzną na prognozy przyszłego zapotrzebowania na ładowanie dla różnych horyzontów prognozy, od 15 minut do godziny naprzód.

Testowanie metody

Naukowcy ocenili MDFANet na publicznym zbiorze danych ze Shenzhen w Chinach, który rejestruje zapotrzebowanie na ładowanie i ceny w czasie rzeczywistym co pięć minut dla 247 stref. Porównali swój model z wieloma podejściami, w tym klasycznymi narzędziami statystycznymi, standardowymi sieciami głębokiego uczenia, modelami opartymi na grafach oraz najnowszym benchmarkiem świadomym fizyki. W czterech powszechnie stosowanych miarach dokładności MDFANet konsekwentnie osiągał niższe błędy prognoz niż wszystkie konkurencyjne modele, w tym model świadomy fizyki PIAST. Jednocześnie MDFANet wymagał około połowy czasu treningu w porównaniu z metodami świadomymi fizyki przy tych samych zasobach sprzętowych i harmonogramie treningu. Testy polegające na usunięciu fragmentów modelu wykazały, że zarówno moduł agregacji cech, jak i moduł przestrzenno‑czasowy były niezbędne do osiągnięcia najlepszej wydajności. Dodatkowe eksperymenty zmniejszające ilość danych uczących sugerowały, że MDFANet degraduje się stopniowo, utrzymując użyteczną dokładność nawet przy dostępności tylko połowy pierwotnych danych.

Co to oznacza dla kierowców i miast

Mówiąc prościej, praca ta pokazuje, że możemy uzyskać lepsze i szybsze prognozy, kiedy i gdzie pojazdy elektryczne będą potrzebować ładowania, najpierw starannie łącząc wszystkie różne sygnały w danych, a potem ucząc się, jak miejsca i czasy na siebie oddziałują. Dla planistów miejskich i operatorów sieci bardziej dokładne i wydajne prognozy mogą wspierać rozważniejsze rozmieszczenie stacji ładowania, płynniejszą pracę sieci i bardziej responsywne schematy cenowe. Dla kierowców może to oznaczać krótsze oczekiwanie i bardziej niezawodny dostęp do ładowarek. Badanie bazuje nadal głównie na historycznych zapisach ładowania i cen, a autorzy wskazują, że przyszłe wersje powinny uwzględniać bogatszy kontekst, taki jak pogoda czy ruch drogowy. Nawet tak, wyniki sugerują, że przemyślanie zaprojektowane modele oparte na danych, takie jak MDFANet, mogą pomóc miastom nadążyć za szybkim wzrostem liczby pojazdów elektrycznych.

Cytowanie: 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

Słowa kluczowe: ładowanie pojazdów elektrycznych, prognozowanie popytu, modelowanie przestrzenno‑czasowe, uczenie głębokie, inteligentna sieć