Prognozowanie czasowe obciążenia ładowania pojazdów elektrycznych przy użyciu modelu IVY-VMD-TCN-BiLSTM z oceną między strefami

Dlaczego wzorce ładowania samochodów elektrycznych są istotne

W miarę jak pojazdy elektryczne stają się powszechne na ulicach miast, ich nawyki ładowania mogą obciążać lokalne sieci energetyczne w sposób nagły i trudny do przewidzenia. Znajomość z wyprzedzeniem kiedy i gdzie kierowcy będą podłączać pojazdy jest kluczowa dla utrzymania dostaw energii, uniknięcia kosztownych modernizacji sieci i zapewnienia kierowcom wygodnych opcji ładowania. W badaniu przedstawiono nową metodę prognozowania krótkoterminowego zapotrzebowania na ładowanie EV w dużym mieście, mającą pomóc operatorom w planowaniu z dużo większą dokładnością.

Od prostych przypuszczeń do prognoz opartych na danych

Starsze metody prognozowania często próbowały modelować zachowania podróżne i ładowanie za pomocą uproszczonych reguł lub prawdopodobieństw. Takie podejścia zawodzą w nowoczesnych miastach, gdzie stacje ładujące są nierównomiernie rozmieszczone, a zachowania zmieniają się pod wpływem ruchu, pogody i cen. Autorzy zwracają się więc ku narzędziom opartym na danych, które uczą się wzorców bezpośrednio z dużych zbiorów. Wykorzystują rzeczywiste zapisy ładowania z 275 stref w Shenzhen w Chinach oraz informacje takie jak temperatura, wilgotność, zajętość stacji i ceny, by zbudować bardziej elastyczny system prognozujący, zdolny do adaptacji w złożonych warunkach miejskich.

Rozkład zaszumionego sygnału na jaśniejsze składowe

Zapytanie o zapotrzebowanie na ładowanie pojazdów elektrycznych gwałtownie rośnie i maleje w zależności od godzin pracy, weekendów, świąt i pogody, co utrudnia prognozowanie. Aby temu sprostać, badanie najpierw oczyszcza i przekształca dane obciążenia, stosując zaawansowany etap przetwarzania sygnału. Metoda nazwana wariacyjną dekompozycją modów (variational mode decomposition) rozdziela surową krzywą ładowania na kilka prostszych składników, z których każdy uchwyca określony rytm lub wzorzec. Procedura wyszukiwania inspirowana naturą, wzorowana na tym, jak bluszcz kieruje wzrost ku światłu, automatycznie wybiera ile składników wydzielić i jak długo je dopracowywać. To ogranicza zgadywanie, filtruje szum i uwydatnia regularne cykle ukryte w danych.

Pozwalając współpracować dwóm sieciom uwzględniającym czas

Po rozdzieleniu sygnału ładowania na gładsze części każda z nich trafia do silnika prognozującego, który łączy dwa rodzaje sieci neuronowych. Pierwsza, sieć konwolucyjna czasowo-przestrzenna (temporal convolutional network), dobrze wychwytuje krótkoterminowe i średnioterminowe trendy przez przesuwanie małych filtrów wzdłuż osi czasu. Druga, dwukierunkowa sieć LSTM (bidirectional long short term memory), patrzy w przód i w tył w czasie, by zrozumieć, jak przeszłe i przewidywane wzorce się łączą. Ten sam inspirowany bluszczem optymalizator dopracowuje kluczowe ustawienia połączonego modelu, takie jak liczba filtrów czy siła ochrony przed przeuczeniem, tak by model mógł uczyć się bogatych wzorców bez niestabilności.

Jak metoda sprawdza się w rzeczywistym mieście

Aby przetestować podejście, autorzy uczą i porównują kilka wersji modelu, wykorzystując sześć miesięcy godzinowych danych. Wykazują, że pełny pipeline z krokiem dekompozycji i zoptymalizowaną podwójną siecią prognozuje przyszłe obciążenie ładowaniem znacznie dokładniej niż prostsze modele lub te dostrajane przy użyciu innych popularnych procedur wyszukiwania. Błędy prognozy zmniejszają się do mniej więcej połowy tego, co obserwuje się dla podstawowych sieci neuronowych, a model znacznie lepiej odtwarza ostre szczyty i doliny. Badacze sprawdzili także, jak metoda działa w różnych typach dzielnic, takich jak głównie mieszkalne oraz ruchliwe strefy handlowe, które mają bardzo odmienne rytmy ładowania.

Co to oznacza dla sieci i kierowców

Badanie pokazuje, że nowa metoda uchwytuje zarówno gładkie cykle dobowej aktywności, jak i nagłe zmiany w zachowaniach ładowania, osiągając bardzo ścisłe dopasowanie do danych rzeczywistych zarówno w dzielnicach skoncentrowanych na domach, jak i w rejonach biznesowych. Choć obszary komercyjne z szybko zmieniającym się ruchem nadal stanowią większe wyzwanie, dokładność pozostaje wysoka. Dla czytelnika popularnonaukowego kluczowy wniosek jest taki, że przez staranne oczyszczanie danych i współpracę dwóch komplementarnych narzędzi uczących się, operatorzy mogą uzyskać znacznie jaśniejszy krótkoterminowy obraz nadchodzącego zapotrzebowania na ładowanie pojazdów elektrycznych. Ta wiedza może wspierać inteligentniejsze ustalanie taryf, lepsze rozmieszczenie i eksploatację ładowarek oraz bardziej niezawodną obsługę sieci w miarę rozprzestrzeniania się samochodów elektrycznych.

Cytowanie: 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

Słowa kluczowe: ładowanie pojazdów elektrycznych, prognozowanie obciążenia, inteligentna sieć, modelowanie szeregów czasowych, planowanie energetyczne w miastach