Temporal prognos för elfordonsladdningsbelastning med en IVY-VMD-TCN-BiLSTM-modell och tvärzonsutvärdering

Varför elbils­laddningsmönster spelar roll

När elfordon blir vanliga på stadens gator kan deras laddningsvanor belasta lokala kraftnät plötsligt och oförutsägbart. Att veta i förväg när och var förare kommer att koppla in sig är avgörande för att hålla strömmen igång, undvika kostsamma nätuppgraderingar och erbjuda förare smidiga laddningsalternativ. Denna studie presenterar ett nytt sätt att prognostisera kortsiktigt elfordonsladdningsbehov i en storstad, med målet att hjälpa nätoperatörer planera med avsevärt bättre noggrannhet.

Från enkla gissningar till datafyllda prognoser

Äldre prognosmetoder försökte ofta modellera hur människor reser och laddar med förenklade regler eller sannolikheter. Dessa angreppssätt har svårt att hänga med i moderna städer, där laddstationer är ojämnt fördelade och beteenden förändras med trafik, väder och priser. Författarna vänder sig därför till datadrivna verktyg som lär sig mönster direkt från stora datamängder. De använder verkliga laddningsloggar från 275 zoner i Shenzhen, Kina, tillsammans med information som temperatur, luftfuktighet, stationernas beläggning och priser, för att bygga ett mer flexibelt prognossystem som kan anpassa sig till komplexa urbana förhållanden.

Att dela upp en brusig signal i klarare delar

Elfordonsladdningsbehovet hoppar upp och ner på grund av arbetsscheman, helger, helgdagar och väder, vilket gör det svårt att förutse. För att hantera detta rengör och omformar studien först belastningsdatan med ett avancerat signalbehandlingssteg. Metoden, kallad variational mode decomposition, delar upp den råa laddningskurvan i flera enklare komponenter som var och en fångar en viss rytm eller ett mönster. En naturinspirerad sökprocedur, modellerad på hur murgröna växer mot ljus, väljer automatiskt hur många komponenter som ska extraheras och hur länge de ska förfinas. Detta minskar gissningar, filtrerar bort brus och lyfter fram de regelbundna cykler som döljer sig i datan.

Två tidsmedvetna nätverk som samarbetar

När laddningssignalen har separerats till jämnare delar matas varje del in i en prognosmotor som kombinerar två typer av neurala nätverk. Det första, ett temporal convolutional network, är bra på att upptäcka kort- och medelsiktiga trender genom att glida små filter längs tidsaxeln. Det andra, ett bidirektionellt long short term memory-nätverk, ser både framåt och bakåt i tiden för att förstå hur tidigare och förväntade mönster hänger ihop. Samma murgröneinspirerade optimerare finjusterar nyckelinställningarna för denna kombinerade modell, såsom hur många filter den använder och hur starkt den motverkar överanpassning, så att den kan lära sig rika mönster utan att bli instabil.

Hur väl metoden fungerar i den verkliga staden

För att testa angreppssättet tränar och jämför författarna flera varianter av sin modell med sex månaders timdata. De visar att hela pipeline:en med både dekompositionssteget och det optimerade dubbla nätverket prognostiserar framtida laddningsbelastning betydligt mer exakt än enklare modeller eller sådana som finjusterats med andra vanliga sökprocedurer. Fel i prognosen sjunker till ungefär hälften jämfört med grundläggande neurala nätverk, och modellen fångar skarpa toppar och dalar mycket bättre. Forskarna kontrollerar också hur metoden presterar i olika typer av stadsdelar, såsom mestadels bostadsområden och livliga kommersiella zoner, som har mycket skilda laddningsrytmer.

Vad detta betyder för nät och förare

Studien visar att den nya metoden fångar både mjuka dagliga cykler och plötsliga skift i laddningsbeteende och når en mycket nära överensstämmelse med verkliga data i både hemfokuserade och affärsfokuserade distrikt. Även om kommersiella områden med snabbt skiftande trafik fortfarande utgör en större utmaning, förblir noggrannheten hög. För en lekmannaläsare är huvudbudskapet att genom att noggrant rengöra datan och låta två kompletterande inlärningsverktyg samarbeta kan nätoperatörer få en betydligt klarare kortsiktig bild av kommande elfordonsladdningsbehov. Denna insikt kan stödja smartare prissättning, bättre placering och drift av laddare samt mer pålitlig nätservice i takt med att elbilarna fortsätter att spridas.

Citering: 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

Nyckelord: laddning av elfordon, belastningsprognoser, smart elnät, Tidsseriemodellering, urban energiplanering