Ett flerdimensionellt funktionsaggregeringsnätverk för prognoser av laddbehov för elbilar

Varför smartare prognoser för laddning spelar roll

I takt med att elbilar sprider sig i våra städer blir den enkla handlingen att plugga in ett komplext pussel. Elbolag och stadsplanerare måste säkerställa att laddare finns på rätt platser, att nätet kan hantera belastningen och att prissättningen uppmuntrar förare att ladda vid bästa tidpunkter. Denna artikel presenterar ett nytt sätt att förutsäga när och var förare behöver ladda, med målet att göra prognoserna inte bara mer precisa utan också snabbare och billigare att beräkna.

Utmaningen att gissa morgondagens stickkontakter

Att förutse laddbehov för elfordon låter enkelt: titta på tidigare användning och projicera framåt. I verkligheten är det intrasslat i många överlappande mönster. Stationer i närliggande områden påverkar varandra eftersom förare kan välja mellan dem. Laddbehovet stiger och sjunker under dagen och veckan i regelbundna rytmer. Utöver det påverkar faktorer som elpriser, väder, helgdagar och trafik förares val. Många moderna prognosmetoder fokuserar främst på geografi och tid, men behandlar dessa extra influenser var för sig och missar hur de samverkar och förändras över tid. Andra inkluderar detaljerade ”fysikinformerade” regler om hur priser och efterfrågan bör bete sig, vilket kan förbättra noggrannheten men ofta kräver tung beräkning och detaljerad förkunskap.

Ett nytt sätt att blanda många signaler

Författarna föreslår en modell kallad Multi-Dimensional Feature Aggregation Network, eller MDFANet, byggd specifikt för stadsbaserat laddbehov. Istället för att mata rådata direkt in i en komplex rumsligt-temporal modell passerar MDFANet först datan genom ett särskilt ”funktionsförstärknings”-steg. I detta steg ser modellen både längs tidsaxeln och över de olika variablerna—såsom efterfrågan, pris och andra kännetecken—för att destillera en kompakt ”funktionskärna” som fångar hur dessa signaler rör sig tillsammans. Denna kärna blandas sedan tillbaka med de ursprungliga indata och ger en rikare men fortfarande lättviktig beskrivning av datan som är enklare för senare komponenter att lära sig från.

Hur modellen lär sig städer i rörelse

När funktionerna är förstärkta använder MDFANet en tvådelad rumsligt-temporal modul. Först fokuserar ett grafbaserat uppmärksamhetsnätverk på relationerna mellan zoner i staden och tillskriver större vikt åt områden vars laddningsbeteende är mest informativt för varje målzon. Flera uppmärksamhets"huvuden" hjälper modellen att samtidigt beakta flera typer av rumsligt inflytande, medan en särskild residualkoppling förhindrar att viktiga detaljer tvättas bort när lager staplas. Därefter modellerar en återkommande tidsserie-modul hur dessa rumsligt informerade funktioner förändras över tid och lär sig både kort- och långsiktiga mönster i laddningsbeteendet. Slutligen översätter en enkel avkodare den inlärda interna representationen till prognoser av framtida laddbehov vid olika förloppsstider, från 15 minuter upp till en timme framåt.

Metoden utsatt för test

Forskarlaget utvärderade MDFANet på en offentlig dataset från Shenzhen, Kina, som registrerar laddbehov och realtidspriser var femte minut över 247 zoner. De jämförde sin modell med en rad tillvägagångssätt, inklusive klassiska statistiska verktyg, standardiserade djuplärandenätverk, grafbaserade modeller och den senaste fysikinformerade referensmetoden. Uppmätt över fyra vanliga noggrannhetsmått uppnådde MDFANet konsekvent lägre prognosfel än alla konkurrenter, inklusive den fysikinformerade modellen PIAST. Samtidigt krävde MDFANet ungefär hälften av träningstiden jämfört med dessa fysikinformerade metoder under samma hårdvara och träningsschema. Tester där delar av modellen avsiktligt togs bort visade att både funktionsaggregeringsmodulen och den rumsligt-temporala modulen var nödvändiga för att nå bästa prestanda. Ytterligare experiment som minskade mängden träningsdata antydde att MDFANet försämras gradvis och behåller användbar noggrannhet även när endast hälften av originaldatan finns tillgänglig.

Vad detta betyder för förare och städer

Enkelt uttryckt visar detta arbete att vi kan få bättre och snabbare prognoser för när och var elfordon behöver ladda genom att först omsorgsfullt blanda alla olika signaler i datan och sedan lära oss hur platser och tider samverkar. För stadsplanerare och nätoperatörer kan mer precisa och effektiva prognoser underlätta smartare placering av laddstationer, smidigare nätdrift och mer responsiva prissättningssystem. För förare kan det innebära kortare väntetider och mer pålitlig tillgång till laddare. Studien bygger fortfarande främst på historiska laddnings- och prisregister, och författarna påpekar att framtida versioner bör inkorporera rikare kontext som väder och trafik. Ändå tyder deras resultat på att genomtänkta data-drivna modeller som MDFANet kan hjälpa städer att hålla jämna steg med elfordonens snabba tillväxt.

Citering: 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

Nyckelord: laddning av elfordon, efterfrågeprognoser, rumsligt-temporal modellering, djuplärande, smart nät