EV şarj istasyonu yük tahmini için çok ölçekli füzyon dönüştürücüsü

Daha akıllı EV şarjı neden önemli

Elektrikli araçlar (EV'ler) şehirlerde yaygınlaştıkça, şarj alışkanlıkları trafikteki yoğunluğun otoyollara verdiği öneme benzer bir şekilde elektrik şebekesi için önem kazanmaya başladı. Birçok sürücü aynı anda prize takılırsa, yerel kablolar ve trafolar zorlanabilir; şebeke işletmecileri önceden ne zaman ve nerede şarjın artacağını bilirlerse arzı dengeleyebilir, kesintileri önleyebilir ve hatta EV'leri esnek enerji kaynağı olarak kullanabilirler. Bu makale, önümüzdeki bir ila dört gün içinde EV şarj istasyonlarının ne kadar meşgul olacağını tahmin etmenin yeni bir yolunu sunuyor; amaç, şebeke planlayıcıları ve şarj şirketlerine geleceğe dair çok daha net bir görünüm sağlamaktır.

Yarınki prize tahmin etmenin zorluğu

EV şarj talebini tahmin etmek şaşırtıcı derecede zor. Sürücüler şarj zamanlarını iş programları, hava durumu, işler ve hatta trafik sıkışıklıkları gibi etkenlere göre seçiyor; bu da bir istasyondaki toplam yükün görünüşte rastlantısal biçimde yukarı-aşağı sıçramasına yol açıyor. Daha düzgün desenler için iyi çalışan geleneksel istatistiksel araçlar bu ani dalgalanma ve güç sistemi dışından gelen çeşitli etkilerle başa çıkmakta zorlanıyor. Tekrarlayan sinir ağları ve standart Transformer modelleri gibi modern derin öğrenme yaklaşımları bile genellikle ya uzun vadeli trendleri ya da kısa vadeli oynaklıkları yakalıyor, her ikisini birden değil; ayrıca hava ve trafik gibi dış etkenleri çoğunlukla kabaca ele alıyorlar.

Zamanı katmanlarda gören yeni bir model

Bu sorunları ele almak için yazarlar, EV şarj istasyonlarına özel olarak tasarlanmış Çok Ölçekli Füzyon Dönüştürücüsü (MFT) adlı bir makine öğrenimi modeli geliştiriyor. Modelin merkezinde, geçmiş şarj verilerine aynı anda birkaç farklı mercekle bakmayı sağlayan "çok ölçekli" bir mekanizma bulunuyor. Bir mercek günler düzeyindeki geniş, yavaş değişimlere odaklanırken; bir diğer mercek saat-saat arasındaki hızlı dalgalanmalara yakınlaştırıyor; diğerleri ise bu iki uç arasında kalıyor. Model içindeki ayrı dikkat başlıklarını farklı zaman ölçeklerinde uzmanlaşmaya yönlendirip ardından görüşlerini birleştirerek, MFT hem şarjın genel ritmini hem de ani zirveler ve düşüşlerin ince ayrıntılarını standart bir Transformer'dan daha etkili şekilde izleyebiliyor.

Modele hava ve trafiğin gerçek anlamını öğretmek

Şarj talebi yalnızca zamana bağlı değil. Norveç'te büyük bir yerleşim bölgesinden alınan veriyi kullanarak araştırmacılar modele sıcaklık, rüzgâr, yağış, güneşlenme ve birkaç yakın bölgeden saatte geçen araç sayıları da dahil olmak üzere 14 dış özellik ekliyor. Önce her faktörün tüm veri seti boyunca şarja ne kadar güçlü bağlandığını görmek için geniş bir istatistiksel tarama yapıyorlar. Örneğin güneşlenme, belirgin bir negatif ilişki gösteriyor: daha güneşli günler genellikle orada daha az şarj olayı anlamına geliyor. Bu analiz, modele genel olarak hangi faktörlerin daha önemli, hangilerinin daha az önemli olduğunu söyleyen bir dizi temel önem ağırlığı üretiyor.

Modelin saatten saate uyum sağlamasına izin vermek

Elbette tek bir gün ortalama paterni bozabilir: bazen hava sakin ama trafik kaotik olabilir ya da tam tersi. Bu kaymalara uyum sağlamak için MFT, her tahmin için özellik ağırlıklarını ayarlayan çok değişkenli bir füzyon modülü içeriyor. Mevcut şarj deseninin dış verileri "sorguladığı" bir çapraz-dikkat adımı kullanarak hangi hava veya trafik sinyallerinin şu anda en alakalı olduğunu belirliyor. Model daha sonra bu sinyalleri dış dünyanın sıkıştırılmış bir temsiline harmanlıyor ve bunu geçmiş yüklerin çok ölçekli görünümüyle birleştiriyor. Ardından gelen bir çözümleyici bu birleşik resmi önümüzdeki 24, 48, 72 veya 96 saat için tahminlere çeviriyor.

Yeni yaklaşım ne kadar iyi performans gösteriyor

Takım, MFT'yi gerçek saatlik verilerle eğitip test ediyor ve GRU, LSTM, çift yönlü LSTM ve standart bir Transformer gibi iyi bilinen tahmin modelleriyle karşılaştırıyor. Tüm tahmin ufukları ve hata ölçüleri boyunca yeni model öne çıkıyor ve fark tahmin uzaklaştıkça artıyor. Ortalama olarak MFT, tekrarlayan ağlara kıyasla önemli hata metriklerini %20'den fazla; düz bir Transformere kıyasla ise yaklaşık %10 oranında azaltıyor. Önemli olarak, diğer modeller gerçek yük dalgalanmalarının gerisinde kalma eğilimindeyken, MFT 72 ve 96 saatlik tahminlerde bile istikrarlı bir doğruluk koruyor.

Günlük enerji kullanımı için bunun anlamı

Uzman olmayanlar için çıkarılacak nokta şu: daha iyi matematik, EV şarjını daha güvenilir ve verimli hale getirebilir. Zamanın katmanlı bir görünümünü esnek bir hava ve trafik anlayışıyla birleştirerek Çok Ölçekli Füzyon Dönüştürücüsü, şebeke işletmecilerine önümüzdeki günlerde istasyonların ne kadar yoğun kullanılacağına dair daha keskin bir tahmin sunuyor. Bu da elektrik santrallerinin daha akıllı planlanmasını, yenilenebilir enerjinin daha pürüzsüz entegrasyonunu ve yeni şarj noktalarının daha bilinçli yerleştirilmesini destekleyebilir. EV benimsenmesi arttıkça ve gelecekteki modeller batarya davranışını da işin içine kattıkça, MFT gibi araçlar elektrikli ulaşımı sürücüler için kullanışlı ve şebeke dostu tutmanın kilit bileşenleri haline gelebilir.

Atıf: 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

Anahtar kelimeler: elektrikli araç şarjı, yük tahmini, derin öğrenme, dönüştürücü model, akıllı şebeke