Elektrikli araç şarj talebi tahmini için çok boyutlu özellik toplama ağı

Akıllı şarj tahminlerinin önemi

Elektrikli otomobiller şehirlerimize yayıldıkça, prize takma eylemi basitlikten uzak, karmaşık bir bulmacaya dönüşüyor. Enerji şirketleri ve şehir planlamacıları şarj cihazlarının doğru yerlerde olmasını, şebekenin yükü kaldırabilmesini ve fiyatların sürücüleri en uygun zamanlarda şarj etmeye teşvik etmesini sağlamak zorunda. Bu makale, sürücülerin ne zaman ve nerede şarj edeceğini tahmin etmenin yeni bir yolunu tanıtıyor; amaç bu tahminleri hem daha doğru hem de hesaplama açısından daha hızlı ve ekonomik hale getirmek.

Yarınki prizleri tahmin etmenin zorluğu

Elektrikli araç şarj talebini tahmin etmek kulağa basit geliyor: geçmiş kullanımı inceleyip ileriye taşımak. Gerçekte ise birçok örtüşen desenin iç içe geçtiği bir problem. Yakın mahallelerdeki istasyonlar birbirlerini etkiler çünkü sürücüler arasında seçim yapma imkânı vardır. Şarj talebi gün içinde ve hafta boyunca düzenli ritimlerle yükselip düşer. Buna ek olarak, elektrik fiyatları, hava durumu, tatiller ve trafik gibi dış etkenler de sürücü tercihlerini yönlendirir. Son dönemdeki birçok tahmin yöntemi ağırlıklı olarak coğrafya ve zaman üzerinde yoğunlaşırken, bu ek etkileri teker teker ele alıyor ve bunların zaman içinde nasıl etkileştiklerini kaçırıyor. Diğer yaklaşımlar fiyat ve talebin nasıl davranması gerektiğine dair ayrıntılı “fizik-bilgili” kurallar getirse de, bunlar doğruluğu artırsa da genellikle ağır hesaplama ve kapsamlı ön bilgi gerektirir.

Birçok sinyali harmanlamanın yeni yolu

Yazarlar, özellikle kentsel şarj talebi için tasarlanmış Çok Boyutlu Özellik Toplama Ağı (MDFANet) adında bir model öneriyor. Ham veriyi doğrudan karmaşık bir uzamanzamansal modele vermek yerine, MDFANet önce veriyi özel bir “özellik geliştirme” aşamasından geçiriyor. Bu aşamada model hem zaman ekseni boyunca hem de talep, fiyat ve diğer değişkenler gibi farklı değişkenler arasında bakarak, bu sinyallerin birlikte nasıl hareket ettiğini yakalayan kompakt bir “özellik çekirdeği” özetliyor. Bu çekirdek daha sonra orijinal girdilerle harmanlanıyor ve sonraki bileşenlerin öğrenmesini kolaylaştıran, zengin ama hâlâ hafif bir veri betimlemesi üretiliyor.

Modelin şehirlerin hareketini nasıl öğrendiği

Özellikler geliştirildikten sonra MDFANet iki kısımdan oluşan bir uzamanzamansal modül uygular. İlk olarak, grafik tabanlı bir dikkat ağı şehirdeki bölgeler arasındaki ilişkilere odaklanır ve her hedef bölge için en bilgilendirici şarj davranışına sahip alanlara daha fazla ağırlık verir. Birden çok dikkat “başı” modelin aynı anda çeşitli mekansal etkileri değerlendirmesine yardımcı olurken, özel bir rezidüel bağlantı katmanlar üst üste bindikçe önemli ayrıntıların kaybolmasını engeller. Ardından, tekrar eden bir zaman serisi modülü bu mekansal olarak bilgilendirilmiş özelliklerin zaman içinde nasıl değiştiğini modelliyor ve şarj davranışındaki kısa ve uzun vadeli desenleri öğreniyor. Son olarak, basit bir çözücü öğrenilmiş iç temsili farklı öngörü zamanlarında —15 dakikadan 1 saate kadar— gelecekteki şarj talebi tahminlerine çevirir.

Yöntemin teste tabi tutulması

Araştırmacılar MDFANet’i Shenzhen, Çin’den herkese açık bir veri kümesi üzerinde değerlendirdiler; bu veri kümesi 247 bölge boyunca beş dakikada bir şarj talebi ve gerçek zamanlı fiyatları kaydediyor. Modellerini klasik istatistiksel araçlar, standart derin öğrenme ağları, grafik tabanlı modeller ve en son fizik-bilgili kıyas dahil olmak üzere çeşitli yaklaşımlara karşı karşılaştırdılar. Dört yaygın doğruluk ölçüsünde MDFANet, fizik-bilgili model PIAST dahil tüm rakiplere göre tutarlı şekilde daha düşük tahmin hataları elde etti. Aynı zamanda, MDFANet aynı donanım ve eğitim programı altında bu fizik-bilgili yöntemlerin yaklaşık yarısı kadar eğitim süresi gerektirdi. Modelin bazı parçalarını kasıtlı olarak kaldıran testler, en iyi performansa ulaşmak için hem özellik toplama modülünün hem de uzamanzamansal modülün gerekli olduğunu gösterdi. Eğitim verisi miktarını azaltan ek deneyler, MDFANet’in orijinal verinin yalnızca yarısı mevcut olsa bile işe yarar doğruluğu koruyarak kademeli şekilde bozulduğunu ortaya koydu.

Bu sürücüler ve şehirler için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma verideki tüm farklı sinyalleri dikkatli şekilde harmanlayıp ardından konumlar ve zamanların nasıl etkileştiğini öğrenerek, elektrikli araçların ne zaman ve nerede şarj edeceğine dair daha iyi ve daha hızlı tahminler elde edebileceğimizi gösteriyor. Şehir planlamacıları ve şebeke işletmecileri için daha doğru ve verimli tahminler, şarj istasyonlarının daha akıllı yerleşimini, şebekenin daha dengeli işletilmesini ve daha duyarlı fiyatlandırma şemalarını destekleyebilir. Sürücüler için bu, daha kısa bekleme süreleri ve şarj cihazlarına daha güvenilir erişim anlamına gelebilir. Çalışma hâlâ ağırlıklı olarak geçmiş şarj ve fiyat kayıtlarına dayanıyor ve yazarlar gelecekteki sürümlerin hava durumu ve trafik gibi daha zengin bağlamları içermesi gerektiğini belirtiyor. Yine de, elde edilen sonuçlar MDFANet gibi düşünülmüş, veri odaklı modellerin elektrikli araçların hızlı büyümesiyle şehirlerin ayak uydurmasına yardımcı olabileceğini öne sürüyor.

Atıf: 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

Anahtar kelimeler: elektrikli araç şarjı, talep tahmini, uzamanzamansal modelleme, derin öğrenme, akıllı şebeke