Multiskalig fusionstransformator för belastningsprognoser vid laddstationer för elfordon

Varför smartare EV‑laddning spelar roll

När elfordon (EV) blir allt vanligare i städer börjar deras laddningsvanor påverka elnätet lika mycket som rusningstrafik påverkar vägarna. Om många förare kopplar in samtidigt kan lokala kablar och transformatorer belastas; om nätoperatörer vet i förväg när och var laddningen kommer att toppa kan de balansera tillgången, undvika strömavbrott och till och med använda EV‑flottor som flexibla energiresurser. Denna artikel presenterar en ny metod för att prognostisera hur upptagna laddstationer för elfordon kommer att vara de kommande en till fyra dagarna, med målet att ge nätplanerare och laddoperatörer en klarare bild av framtiden.

Utmaningen att gissa morgondagens inkopplingar

Att förutsäga efterfrågan på EV‑laddning är förvånansvärt svårt. Förare väljer när de ska ladda utifrån arbetsscheman, väder, ärenden och till och med trafikstockningar, vilket gör att den totala belastningen vid en station kan hoppa upp och ner på ett till synes slumpmässigt sätt. Traditionella statistiska verktyg, som fungerar bra för mjukare mönster, har svårt med dessa skarpa svängningar och med blandningen av yttre faktorer utanför kraftsystemet. Även moderna djupinlärningsmetoder, såsom rekurrenta neurala nätverk och standardtransformermodeller, fångar ofta antingen långsiktiga trender eller kortsiktiga störningar, men inte båda samtidigt, och de behandlar vanligtvis yttre faktorer som väder och trafik på ett relativt förenklat sätt.

En ny modell som ser tiden i lager

För att hantera dessa problem utformar författarna en Multiskalig Fusion Transformer (MFT), en maskininlärningsmodell anpassad för laddstationer för elfordon. I kärnan finns en ”multiskalig” mekanism som låter modellen granska historisk laddningsdata med flera olika perspektiv samtidigt. Ett perspektiv fokuserar på breda, långsamma förändringar över dagar; ett annat zoomar in på snabba tim‑till‑tim‑svängningar; andra ligger däremellan. Genom att styra separata attention‑huvuden inom modellen att specialisera sig på olika tidsskalor och sedan förena deras vyer kan MFT spåra både den övergripande rytmen i laddningen och de fina detaljerna i plötsliga toppar och dalar mer effektivt än en standardtransformer.

Att lära modellen vad väder och trafik egentligen betyder

Laddningsbehovet beror inte bara på tiden. Med data från ett större bostadsområde i Norge lägger forskarna till 14 yttre variabler i modellen, inklusive temperaturer, vind, nederbörd, solinstrålning och hur många fordon som rör sig genom flera närliggande zoner varje timme. Först utför de en bred statistisk genomgång för att bedöma hur starkt varje faktor är kopplad till laddningen över hela datamängden. Solinstrålning visar till exempel ett tydligt negativt samband: soligare dagar innebär ofta färre laddningar där. Denna analys ger en uppsättning grundläggande viktningar som i allmänna termer säger vilka faktorer som tenderar att vara viktigare respektive mindre viktiga.

Att låta modellen anpassa sig timme för timme

Självklart kan enskilda dagar avvika från genomsnittet: ibland är vädret lugnt men trafiken kaotisk, eller tvärtom. För att anpassa sig till sådana skiften inkluderar MFT en multivariabel fusionsmodul som justerar funktionsvikterna för varje prognos. Den använder ett cross‑attention‑steg där det aktuella laddningsmönstret ”frågar” de externa data vilka väder‑ eller trafiksignaler som är mest relevanta just nu. Modellen blandar sedan dessa signaler till en kompakt representation av omvärlden, som den kombinerar med den multiskaliga vyn av historiska belastningar. En efterföljande decoder omvandlar denna gemensamma bild till prognoser för de kommande 24, 48, 72 eller 96 timmarna.

Hur väl den nya metoden presterar

Teamet tränar och testar MFT med verklig timdata och jämför den med välkända prognosmodeller som GRU, LSTM, bidirektionell LSTM och en standardtransformer. Över alla prognosintervall och felmått presterar den nya modellen bäst, och dess fördel ökar ju längre fram i tiden prognosen sträcker sig. I genomsnitt minskar MFT nyckelfelmått med mer än 20 procent jämfört med rekurrenta nätverk och med omkring 10 procent jämfört med en enkel transformer. Viktigt är att den behåller stabil noggrannhet även för 72‑ och 96‑timmarsprognoser, medan andra modeller tenderar att driva iväg och komma efter de faktiska belastningssvängningarna.

Vad detta betyder för vardaglig energianvändning

För icke‑specialister är slutsatsen att bättre matematik kan göra EV‑laddning tystare, mer pålitlig och mer effektiv. Genom att kombinera en lagerindelad tidsbild med en flexibel förståelse för väder och trafik erbjuder Multiskalig Fusion Transformer nätoperatörer en skarpare prognos för hur hårt laddstationer kommer att användas de kommande dagarna. Det kan i sin tur stödja smartare schemaläggning av kraftverk, smidigare integration av förnybar energi och mer välgrundade beslut om placering av nya laddare. När EV‑användningen ökar och framtida modeller även inkluderar batteribeteende kan verktyg som MFT bli viktiga ingredienser för att hålla eldriven transport både bekväm för förare och skonsam mot nätet.

Citering: 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

Nyckelord: laddning av elfordon, belastningsprognoser, djupinlärning, transformermodell, smart elnät