Прогнозирование временной динамики нагрузки зарядки электромобилей с использованием модели IVY-VMD-TCN-BiLSTM с кросс-зонной оценкой

Почему важны шаблоны зарядки электромобилей

По мере того как электромобили становятся обычным явлением на городских улицах, их привычки зарядки могут вызывать внезапные и трудно предсказуемые нагрузки на локальные энергосети. Заранее знать, когда и где водители подключатся к зарядке, важно для поддержания надежности, избежания дорогостоящих модернизаций сети и обеспечения удобных вариантов зарядки. В этом исследовании предложен новый подход к краткосрочному прогнозированию спроса на зарядку электромобилей в крупном городе, цель которого — помочь коммунальным службам планировать с гораздо большей точностью.

От простых догадок к предсказаниям на основе данных

Ранние методы прогнозирования часто пытались моделировать поведение людей и зарядку по упрощенным правилам или вероятностям. Такие подходы испытывают трудности в современных городах, где зарядные станции разбросаны неравномерно, а поведение меняется под влиянием трафика, погоды и цен. Авторы вместо этого обращаются к инструментам, основанным на данных, которые извлекают закономерности непосредственно из больших наборов данных. Они используют реальные записи о зарядке из 275 зон Шэньчжэня (Китай), а также информацию о температуре, влажности, занятости станций и ценах, чтобы построить более гибкую систему прогнозирования, способную адаптироваться к сложным городским условиям.

Разделение шумного сигнала на более ясные составляющие

Спрос на зарядку электромобилей резко колеблется из‑за рабочего графика, выходных, праздников и погоды, что затрудняет прогнозирование. Для решения этой проблемы в исследовании сначала очищают и преобразуют данные нагрузки с помощью продвинутого шага обработки сигналов. Метод, называемый вариационной модальной декомпозицией, разбивает исходную кривую зарядки на несколько более простых компонент, каждая из которых фиксирует определенный ритм или паттерн. Природоподобная поисковая процедура, смоделированная по образцу того, как плющ тянется к свету, автоматически выбирает, сколько компонент извлекать и как долго их уточнять. Это уменьшает долю догадок, фильтрует шум и выявляет регулярные циклы, скрытые в данных.

Два временно-ориентированных нейросетевых модуля работают совместно

После того как сигнал зарядки разделён на более гладкие составляющие, каждая из них поступает в прогнозирующий модуль, объединяющий два типа нейронных сетей. Первая, временная сверточная сеть (TCN), хорошо улавливает кратко- и среднесрочные тренды, скользя небольшими фильтрами по временной оси. Вторая, двунаправленная сеть LSTM (BiLSTM), смотрит как назад, так и вперед во времени, чтобы понять, как прошлые и ожидаемые паттерны связаны между собой. Тот же оптимизатор, вдохновлённый плющом, точно настраивает ключевые параметры этого комбинированного решения — например, число фильтров и силу регуляризации — чтобы сеть могла извлекать богатые закономерности, не становясь нестабильной.

Насколько метод работает в реальном городе

Чтобы проверить подход, авторы обучают и сравнивают несколько версий своей модели, используя шестимесячные почасовые данные. Они показывают, что полный конвейер с шагом декомпозиции и оптимизированной двойной сетью предсказывает будущие нагрузки зарядки значительно точнее, чем простейшие модели или модели, настроенные с помощью других популярных процедур поиска. Ошибки прогноза сокращаются примерно вдвое по сравнению с базовыми нейросетями, и модель гораздо лучше отслеживает резкие пики и впадины. Исследователи также проверяют, как метод работает в разных типах районов — например, преимущественно жилых и оживлённых коммерческих зонах — где ритмы зарядки заметно различаются.

Что это означает для сетей и водителей

Исследование показывает, что новый метод улавливает и плавные суточные циклы, и резкие сдвиги в поведении при зарядке, достигая очень точного соответствия реальным данным как в районах с доминирующей домашней зарядкой, так и в деловых кварталах. Хотя коммерческие зоны с быстро меняющимся трафиком по‑прежнему представляют большую сложность, точность остаётся высокой. Для неспециалиста основная мысль такова: тщательная очистка данных и совместная работа двух взаимодополняющих инструментов обучения позволяют коммунальным службам получить значительно более ясное краткосрочное представление о предстоящем спросе на зарядку электромобилей. Это знание может поддержать более разумное ценообразование, лучшее размещение и эксплуатацию зарядных устройств, а также более надёжную работу сети по мере распространения электромобилей.

Цитирование: 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

Ключевые слова: зарядка электромобилей, прогнозирование нагрузки, умная сеть, моделирование временных рядов, планирование городской энергетики