Трансформер мультишкального слияния для прогнозирования нагрузки на станции зарядки электромобилей

Почему умная зарядка электромобилей важна

По мере того как электромобили (ЭМ) распространяются по городам, их привычки зарядки начинают влиять на сеть так же существенно, как часы пик — на автомобильные дороги. Если многие водители подключаются одновременно, могут возникнуть перегрузки местных кабелей и трансформаторов; если операторы сети заранее знают, когда и где произойдёт всплеск зарядки, они могут уравновесить подачу, избежать отключений и даже использовать ЭМ как гибкий ресурс энергии. В этой статье представлен новый подход к прогнозированию загруженности станций зарядки на ближайшие от одного до четырёх суток, с целью дать планировщикам сетей и операторам зарядных точек более ясное представление о предстоящей нагрузке.

Задача предсказания завтрашних подключений

Прогнозировать спрос на зарядку ЭМ оказывается неожиданно сложно. Водители выбирают время зарядки в зависимости от рабочего графика, погоды, дел и даже пробок, из‑за чего суммарная нагрузка на станции скачет в кажущемся случайным порядке. Традиционные статистические инструменты, хорошо работающие при более гладких паттернах, испытывают трудности с резкими колебаниями и с сочетанием внешних факторов, не относящихся к энергосистеме. Даже современные методы глубокого обучения, такие как рекуррентные нейронные сети и стандартные трансформеры, часто улавливают либо долгосрочные тренды, либо кратковременные шумы, но не то и другое одновременно, да и внешние факторы вроде погоды и трафика обычно учитываются достаточно грубо.

Новая модель, видящая время слоями

Чтобы решить эти задачи, авторы разработали Трансформер мультишкального слияния (MFT) — модель машинного обучения, адаптированную под станции зарядки ЭМ. В её основе лежит механизм «мультишкал», позволяющий модели одновременно смотреть на исторические данные по зарядке через несколько различных «линз». Одна линза фокусируется на широких, медленных изменениях по дням; другая — увеличивает масштаб на быстрые почасовые колебания; ещё другие покрывают промежуточные шкалы. Направляя отдельные головки внимания внутри модели на специализацию по разным временным шкалам и затем сливая их представления, MFT может отслеживать как общий ритм зарядки, так и мелкие детали внезапных пиков и падений более эффективно, чем стандартный трансформер.

Обучая модель понимать погоду и трафик

Спрос на зарядку зависит не только от времени. Используя данные большого жилого района в Норвегии, исследователи добавили в модель 14 внешних признаков, включая температуру, ветер, осадки, солнечную инсоляцию и количество транспортных средств, проходящих по нескольким близлежащим зонам каждый час. Сначала они проводят широкое статистическое сканирование, чтобы оценить, насколько сильно каждый фактор связан с зарядкой на всём наборе данных. Солнечное сияние, например, демонстрирует заметную отрицательную связь: в более солнечные дни там часто регистрируется меньше событий зарядки. Этот анализ порождает набор базовых весов важности, которые в общих чертах подсказывают модели, какие факторы обычно значимы сильнее, а какие слабее.

Позволяя модели адаптироваться из часа в час

Разумеется, любой отдельный день может нарушить средний паттерн: иногда погода спокойна, но трафик хаотичен, или наоборот. Чтобы адаптироваться к таким сдвигам, MFT включает модуль мультипеременного слияния, который корректирует веса признаков для каждого прогноза. Он использует шаг кросс‑внимания, в котором текущий паттерн зарядки «запрашивает» внешние данные, решая, какие погодные или трафиковые сигналы сейчас наиболее релевантны. Модель затем объединяет эти сигналы в компактное представление внешнего окружения, которое сочетается с мультишкаловым взглядом на прошлые нагрузки. Последующий декодер превращает эту общую картину в прогнозы на следующие 24, 48, 72 или 96 часов.

Насколько хорошо работает новый подход

Команда обучает и тестирует MFT на реальных почасовых данных, сравнивая её с хорошо известными моделями прогнозирования, такими как GRU, LSTM, двунаправленная LSTM и стандартный трансформер. По всем горизонтом прогнозирования и метрикам ошибки новая модель оказывается впереди, и её преимущество возрастает по мере увеличения горизонта прогноза. В среднем MFT снижает ключевые метрики ошибки более чем на 20 процентов по сравнению с рекуррентными сетями и примерно на 10 процентов по сравнению с простым трансформером. Важно, что модель сохраняет стабильную точность даже для прогнозов на 72 и 96 часов, тогда как другие модели склонны к дрейфу и отставанию от реальных колебаний нагрузки.

Что это значит для повседневного энергопотребления

Для неспециалистов вывод таков: более точные математические методы могут сделать зарядку ЭМ незаметно более надёжной и эффективной. Комбинируя многослойное восприятие времени с гибким учётом погоды и трафика, Трансформер мультишкального слияния предоставляет операторам сетей более чёткий прогноз того, насколько интенсивно будут использоваться станции в ближайшие дни. Это, в свою очередь, может поддержать более умное планирование работы электростанций, сгладить интеграцию возобновляемых источников энергии и лучше информировать о размещении новых зарядных точек. По мере роста доли ЭМ и добавления в будущие модели поведения батарей такие инструменты, как MFT, могут стать ключевыми элементами в обеспечении удобства для водителей и дружелюбности к сети.

Цитирование: 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

Ключевые слова: зарядка электромобилей, прогнозирование нагрузки, глубокое обучение, модель трансформер, умная сеть