Transformador de fusão multiescala para previsão de carga em estações de recarga de veículos elétricos

Por que uma recarga de VE mais inteligente importa

À medida que veículos elétricos (VEs) se espalham pelas cidades, seus hábitos de recarga começam a importar para a rede elétrica tanto quanto o tráfego matinal importa para as rodovias. Se muitos motoristas plugarem ao mesmo tempo, cabos e transformadores locais podem ser sobrecarregados; se os operadores da rede souberem com antecedência quando e onde a recarga vai aumentar, podem equilibrar a oferta, evitar apagões e até usar os VEs como recursos energéticos flexíveis. Este artigo apresenta uma nova forma de prever quão ocupadas estarão as estações de recarga nos próximos um a quatro dias, com o objetivo de dar aos planejadores de rede e empresas de recarga uma visão muito mais clara do que está por vir.

O desafio de adivinhar as tomadas de amanhã

Prever a demanda de recarga de VEs é surpreendentemente difícil. Motoristas escolhem quando recarregar com base em horários de trabalho, clima, tarefas e até congestionamentos, fazendo com que a carga total em uma estação varie de forma aparentemente aleatória. Ferramentas estatísticas tradicionais, que funcionam bem para padrões mais suaves, têm dificuldade com essas oscilações bruscas e com a mistura de influências externas ao sistema elétrico. Mesmo abordagens modernas de aprendizado profundo, como redes neurais recorrentes e modelos Transformer padrão, frequentemente capturam ou tendências de longo prazo ou flutuações de curto prazo, mas não ambos ao mesmo tempo, e geralmente tratam fatores externos como clima e tráfego de forma relativamente simples.

Um novo modelo que vê o tempo em camadas

Para enfrentar essas questões, os autores projetam um Transformador de Fusão Multiescala (MFT), um modelo de aprendizado de máquina direcionado a estações de recarga de VEs. No seu núcleo está um mecanismo "multiescala" que permite ao modelo observar dados passados de recarga com várias lentes diferentes simultaneamente. Uma lente foca em mudanças amplas e lentas ao longo de dias; outra aproxima-se de variações rápidas de hora a hora; outras ocupam escalas intermediárias. Ao orientar cabeças de atenção separadas dentro do modelo para se especializarem em diferentes escalas de tempo e depois fundir suas visões, o MFT consegue acompanhar tanto o ritmo geral de recarga quanto os detalhes finos de picos e quedas súbitas de forma mais eficaz do que um Transformer padrão.

Ensinando ao modelo o que clima e tráfego realmente significam

A demanda por recarga não depende apenas do tempo. Usando dados de uma grande área residencial na Noruega, os pesquisadores adicionam 14 características externas ao modelo, incluindo temperatura, vento, precipitação, insolação e quantos veículos estão se deslocando por várias zonas próximas a cada hora. Primeiro, eles realizam uma varredura estatística ampla para ver o quanto cada fator está associado à recarga ao longo de todo o conjunto de dados. A insolação, por exemplo, mostra uma relação negativa perceptível: dias mais ensolarados frequentemente significam menos eventos de recarga naquela área. Essa análise produz um conjunto de pesos de importância base que informam o modelo, em termos gerais, quais fatores tendem a importar mais e quais importam menos.

Permitindo que o modelo se adapte de hora em hora

Claro, qualquer dia isolado pode quebrar o padrão médio: às vezes o tempo está calmo, mas o tráfego é caótico, ou vice‑versa. Para se adaptar a essas mudanças, o MFT inclui um módulo de fusão multivariável que ajusta os pesos das características para cada previsão. Ele usa uma etapa de cross‑attention na qual o padrão atual de recarga "consulta" os dados externos, decidindo quais sinais de clima ou tráfego são mais relevantes no momento. O modelo então mistura esses sinais em uma representação compacta do mundo externo, que combina com a visão multiescala das cargas passadas. Um decodificador a jusante transforma essa imagem conjunta em previsões para as próximas 24, 48, 72 ou 96 horas.

Quão bem a nova abordagem se sai

A equipe treina e testa o MFT usando dados horários reais, comparando-o com modelos de previsão bem conhecidos, como GRU, LSTM, LSTM bidirecional e um Transformer padrão. Em todos os horizontes de previsão e medidas de erro, o novo modelo sai na frente, e sua vantagem aumenta conforme a previsão se estende para o futuro. Em média, o MFT reduz métricas de erro chave em mais de 20% em comparação com redes recorrentes e em cerca de 10% em comparação com um Transformer simples. Importante, ele mantém precisão estável mesmo para previsões de 72 e 96 horas, enquanto outros modelos tendem a derivar e ficar atrás das variações reais de carga.

O que isso significa para o uso diário de energia

Para não especialistas, a conclusão é que matemática melhor pode tornar a recarga de VEs mais confiável e eficiente de forma discreta. Ao combinar uma visão em camadas do tempo com uma compreensão flexível de clima e tráfego, o Transformador de Fusão Multiescala oferece aos operadores de rede uma previsão mais nítida de quão intensamente as estações serão usadas nos próximos dias. Isso, por sua vez, pode apoiar um agendamento mais inteligente das usinas, integração mais suave de energia renovável e uma colocação mais informada de novos carregadores. Conforme a adoção de VEs cresce e futuros modelos incluírem o comportamento das baterias na equação, ferramentas como o MFT podem se tornar ingredientes-chave para manter o transporte elétrico conveniente para motoristas e amigável à rede.

Citação: 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

Palavras-chave: recarga de veículos elétricos, previsão de carga, aprendizado profundo, modelo Transformer, rede inteligente