Сеть агрегации многомерных признаков для прогнозирования спроса на зарядку электромобилей

Почему важны более точные прогнозы зарядки

По мере того как электромобили заполняют наши города, простая операция подключения к зарядке превращается в сложную задачу. Энергокомпании и городские планировщики должны обеспечить расположение зарядных станций в нужных местах, убедиться, что сеть выдержит нагрузку, и настроить тарифы так, чтобы побуждать водителей заряжаться в оптимальные периоды. В этой статье предлагается новый подход к прогнозированию того, когда и где водителям потребуется зарядка, с целью сделать такие прогнозы не только более точными, но и более быстрыми и экономичными в вычислениях.

Сложность прогнозирования завтрашних подключений

Предсказать спрос на зарядку электромобилей кажется простым: посмотреть на прошлое использование и экстраполировать. На практике это переплетение множества перекрывающихся закономерностей. Станции в соседних районах влияют друг на друга, поскольку водители могут выбирать между ними. Спрос на зарядку поднимается и падает в течение дня и недели в регулярных ритмах. К тому же на выбор водителей влияют внешние факторы — цены на электроэнергию, погода, праздники и трафик. Многие современные методы прогнозирования в основном учитывают географию и время, при этом рассматривая дополнительные влияния по отдельности и упуская их взаимодействия во времени. Другие вводят детализированные «физически осведомлённые» правила о поведении цен и спроса, что может повысить точность, но часто требует тяжёлых вычислений и подробных априорных знаний.

Новый способ объединять многочисленные сигналы

Авторы предлагают модель под названием Multi-Dimensional Feature Aggregation Network, или MDFANet, разработанную специально для городского спроса на зарядку. Вместо того чтобы подавать сырые данные прямо в сложную пространственно-временную модель, MDFANet сначала пропускает данные через этап «усиления признаков». На этом этапе модель анализирует данные как по временной оси, так и по различным переменным — таким как спрос, цена и другие характеристики — чтобы выделить компактное «ядро признаков», отражающее совместную динамику сигналов. Это ядро затем смешивается с исходными входами, формируя более богатое, но при этом лёгкое описание данных, с которым последующим компонентам проще работать.

Как модель обучается городам в движении

После усиления признаков MDFANet применяет двухчастный пространственно-временной модуль. Сначала графовая сеть с механизмом внимания фокусируется на взаимосвязях между зонами города, придавая больший вес районам, поведение зарядки в которых наиболее информативно для каждой целевой зоны. Несколько «голов» внимания помогают модели одновременно учитывать различные типы пространственного влияния, а специальная остаточная связь предотвращает затухание важных деталей при наращивании слоёв. Затем рекуррентный модуль временных рядов моделирует, как эти пространственно-обогащённые признаки меняются во времени, обучаясь кратко- и долгосрочным закономерностям поведения зарядки. Наконец, простой декодер переводит выученное внутреннее представление в прогнозы будущего спроса на зарядку для различных горизонтов — от 15 минут до часа вперёд.

Проверка метода на практике

Исследователи оценили MDFANet на публичном наборе данных из Шэньчжэня, Китай, где каждые пять минут фиксируются спрос на зарядку и цены в реальном времени по 247 зонам. Они сравнили свою модель с рядом подходов, включая классические статистические методы, стандартные нейросети, графовые модели и новейший физически осведомлённый эталон. По четырём распространённым метрикам точности MDFANet последовательно показывала меньшие ошибки прогнозирования по сравнению со всеми конкурентами, включая физически осведомлённую модель PIAST. При этом MDFANet требовала примерно вдвое меньше времени на обучение по сравнению с этими физически осведомлёнными методами при тех же условиях по оборудованию и расписанию обучения. Абляционные тесты, в которых сознательно удаляли части модели, показали, что как модуль агрегации признаков, так и пространственно-временной модуль необходимы для достижения наилучшей производительности. Дополнительные эксперименты с уменьшением объёма обучающих данных показали, что MDFANet деградирует плавно, сохраняя полезную точность даже при наличии лишь половины исходных данных.

Что это значит для водителей и городов

Проще говоря, эта работа демонстрирует, что мы можем получать более точные и быстрые прогнозы того, когда и где электромобилям потребуется зарядка, если сначала внимательно объединить все разные сигналы в данных, а затем научиться их взаимодейтвию во времени и пространстве. Для городских планировщиков и операторов сетей более точные и эффективные прогнозы могут помочь в более разумном размещении зарядных станций, сглаживании работы сети и создании более оперативных схем ценообразования. Для водителей это может означать меньшее время ожидания и более надёжный доступ к зарядкам. Исследование по-прежнему опирается в основном на исторические записи по зарядке и ценам, и авторы отмечают, что будущие версии следует дополнить более богатым контекстом, таким как погода и трафик. Тем не менее полученные результаты указывают, что продуманно спроектированные модели на основе данных, подобные MDFANet, могут помочь городам поспевать за быстрым ростом электромобилей.

Цитирование: 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

Ключевые слова: зарядка электромобилей, прогнозирование спроса, пространственно-временное моделирование, глубокое обучение, умная сеть