Uma rede de agregação de características multidimensionais para previsão da demanda de carregamento de veículos elétricos

Por que previsões de carregamento mais inteligentes importam

À medida que carros elétricos se espalham por nossas cidades, o simples ato de conectar o veículo torna-se um quebra-cabeça complexo. Concessionárias de energia e planejadores urbanos precisam garantir que os pontos de carregamento estejam nos locais certos, que a rede suporte a demanda e que os preços incentivem os motoristas a plugarem nos melhores horários. Este artigo apresenta uma nova forma de prever quando e onde os motoristas precisarão recarregar, com o objetivo de tornar essas previsões não apenas mais precisas, mas também mais rápidas e baratas de computar.

O desafio de adivinhar as tomadas de amanhã

Prever a demanda de carregamento de veículos elétricos parece simples: olhar para o uso passado e projetá-lo para frente. Na prática, porém, isso está entrelaçado em muitos padrões sobrepostos. Estações em bairros próximos se influenciam porque os motoristas podem escolher entre elas. A demanda por carregamento sobe e desce ao longo do dia e da semana em ritmos regulares. Além disso, fatores externos como preços da eletricidade, clima, feriados e tráfego também influenciam as escolhas dos motoristas. Muitos métodos recentes de previsão concentram-se principalmente em geografia e tempo, mas tratam essas influências extras isoladamente, deixando de capturar como elas interagem entre si e ao longo do tempo. Outros incorporam regras detalhadas “informadas pela física” sobre como preços e demanda devem se comportar, o que pode melhorar a precisão, mas frequentemente exige grande poder computacional e conhecimento prévio detalhado.

Uma nova maneira de combinar muitos sinais

Os autores propõem um modelo chamado Rede de Agregação de Características Multidimensionais, ou MDFANet, desenvolvido especificamente para a demanda de carregamento urbana. Em vez de alimentar os dados brutos diretamente em um modelo espaço-temporal complexo, o MDFANet primeiro passa os dados por uma etapa dedicada de “realce de características”. Nessa etapa, o modelo observa tanto ao longo do eixo temporal quanto através das diferentes variáveis — como demanda, preço e outras características — para destilar um “núcleo de características” compacto que captura como esses sinais se movem em conjunto. Esse núcleo é então recombinado com as entradas originais, produzindo uma descrição mais rica, mas ainda leve, dos dados, que é mais fácil para os componentes subsequentes aprenderem.

Como o modelo aprende cidades em movimento

Uma vez que as características são aprimoradas, o MDFANet aplica um módulo espaço-temporal em duas partes. Primeiro, uma rede de atenção baseada em grafos foca nas relações entre zonas da cidade, atribuindo mais peso às áreas cujo comportamento de carregamento é mais informativo para cada zona alvo. Múltiplas “cabeças” de atenção ajudam o modelo a considerar vários tipos de influência espacial ao mesmo tempo, enquanto um vínculo residual especial evita que detalhes importantes se percam à medida que as camadas são empilhadas. Em seguida, um módulo recorrente de séries temporais modela como essas características informadas espacialmente mudam ao longo do tempo, aprendendo padrões de curto e longo prazo no comportamento de carregamento. Finalmente, um decodificador simples traduz a representação interna aprendida em previsões da demanda de carregamento futura em diferentes horizontes, de 15 minutos até uma hora à frente.

Colocando o método à prova

Os pesquisadores avaliaram o MDFANet em um conjunto de dados público de Shenzhen, China, que registra demanda de carregamento e preços em tempo real a cada cinco minutos em 247 zonas. Eles compararam seu modelo com uma variedade de abordagens, incluindo ferramentas estatísticas clássicas, redes profundas padrão, modelos baseados em grafos e o mais recente referencial informado pela física. Em quatro medidas comuns de acurácia, o MDFANet consistentemente alcançou erros de previsão menores do que todos os concorrentes, incluindo o modelo informado pela física PIAST. Ao mesmo tempo, o MDFANet exigiu cerca de metade do tempo de treinamento desses métodos informados pela física sob o mesmo hardware e cronograma de treinamento. Testes que removeram deliberadamente partes do modelo mostraram que tanto o módulo de agregação de características quanto o módulo espaço-temporal eram necessários para alcançar o melhor desempenho. Experimentos adicionais que reduziram a quantidade de dados de treinamento sugeriram que o MDFANet degrada de forma suave, mantendo uma acurácia útil mesmo quando apenas metade dos dados originais está disponível.

O que isso significa para motoristas e cidades

Em termos simples, este trabalho mostra que podemos obter previsões melhores e mais rápidas sobre quando e onde veículos elétricos precisarão recarregar ao primeiro combinar cuidadosamente todos os sinais diferentes nos dados e então aprender como locais e horários interagem. Para planejadores urbanos e operadores de rede, previsões mais precisas e eficientes podem apoiar uma colocação mais inteligente de estações de carregamento, operação mais suave da rede e esquemas de precificação mais responsivos. Para os motoristas, isso pode se traduzir em filas mais curtas e acesso mais confiável aos carregadores. O estudo ainda se apoia principalmente em registros passados de carregamento e preços, e os autores apontam que versões futuras devem incorporar contexto mais rico, como clima e tráfego. Ainda assim, os resultados sugerem que modelos orientados por dados e cuidadosamente projetados, como o MDFANet, podem ajudar as cidades a acompanhar o rápido crescimento dos veículos elétricos.

Citação: 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

Palavras-chave: carregamento de veículos elétricos, previsão de demanda, modelagem espaço-temporal, aprendizado profundo, rede inteligente