Çapraz bölge değerlendirmesi ile IVY-VMD-TCN-BiLSTM modeli kullanılarak elektrikli araç şarj yükünün zamansal tahmini

Neden elektrikli otomobil şarj alışkanlıkları önemli

Elektrikli araçlar şehir sokaklarında yaygınlaştıkça, şarj alışkanlıkları yerel enerji şebekelerini ani ve öngörülemeyen şekillerde zorlayabilir. Sürücülerin ne zaman ve nerede şarj edeceklerini önceden bilmek, enerjiyi kesintisiz sağlamak, maliyetli şebeke yükseltmelerinden kaçınmak ve sürücülere uygun şarj seçenekleri sunmak için hayati önem taşır. Bu çalışma, büyük bir şehirde kısa vadeli elektrikli araç şarj talebini tahmin etmek için yeni bir yöntem sunuyor ve hizmet sağlayıcıların çok daha yüksek doğrulukla plan yapmasına yardımcı olmayı hedefliyor.

Basit varsayımlardan veri zengin tahminlere

Eski tahmin yöntemleri genellikle insanların nasıl seyahat ettiğini ve şarj ettiğini basitleştirilmiş kurallar veya olasılıklar ile modellemeye çalışıyordu. Bu yaklaşımlar, şarj istasyonlarının düzensiz dağıldığı ve davranışların trafik, hava ve fiyatlarla değiştiği modern şehirlerde zorlanır. Yazarlar bunun yerine büyük veri setlerinden doğrudan desenler öğrenen veri odaklı araçlara yöneliyor. Shenzhen, Çin'deki 275 bölgeden gerçek şarj kayıtlarını; sıcaklık, nem, istasyon doluluk oranı ve fiyatlar gibi bilgileri kullanarak daha esnek ve karmaşık kentsel koşullara uyum sağlayabilen bir tahmin sistemi kuruyorlar.

Gürültülü bir sinyali daha net parçalara ayırmak

Elektrikli araç şarj talebi, çalışma saatleri, hafta sonları, tatiller ve hava koşulları nedeniyle sıçramalar gösterir; bu da tahmini zorlaştırır. Bunu ele almak için çalışma önce yük verisini gelişmiş bir sinyal işleme adımıyla temizleyip yeniden biçimlendirir. Variational mode decomposition (varyasyonlu mod ayrıştırması) adı verilen yöntem, ham şarj eğrisini her biri belirli bir ritim veya deseni yakalayan birkaç daha basit bileşene böler. Sarmaşık bitkisinin ışığa doğru büyümesini modelleyen doğadan ilham alan bir arama prosedürü, kaç bileşen çıkarılacağını ve bunların ne kadar rafine edileceğini otomatik olarak seçer. Bu, tahmine dayalı varsayımları azaltır, gürültüyü filtreler ve verideki düzenli döngüleri öne çıkarır.

Zamana duyarlı iki ağın birlikte çalışmasına izin vermek

Şarj sinyali daha düzgün parçalara ayrıldıktan sonra, her parça zaman ekseni boyunca iki tür sinir ağını birleştiren bir tahmin motoruna beslenir. İlki, küçük filtreleri zaman ekseni boyunca kaydırarak kısa ve orta vadeli eğilimleri yakalamada başarılı olan bir temporal convolutional network (zaman serisi konvolüsyonel ağı)dir. İkincisi ise geçmiş ve beklenen örüntülerin nasıl bağlantılı olduğunu anlamak için hem ileriye hem geriye bakan bidirectional long short term memory (çift yönlü uzun-kısa süreli bellek ağı)dir. Aynı sarmaşık ilhamlı optimizatör, bu birleşik modelin kullandığı filtre sayısı ve aşırı uyumu (overfitting) ne kadar güçlü şekilde engellediği gibi ana ayarlarını ince ayar yapar; böylece model zengin desenleri öğrenirken kararsızlaşmaz.

Yöntemin gerçek şehirde ne kadar iyi çalıştığı

Yaklaşımı test etmek için yazarlar altı aylık saatlik veriyi kullanarak modellerinin birkaç versiyonunu eğitip karşılaştırıyor. Ayrıştırma adımı ve optimize edilmiş ikili ağ içeren tam boru hattının, daha basit modellerden veya diğer popüler arama prosedürleriyle ayarlanmış olanlardan çok daha doğru gelecek şarj yükü tahminleri verdiğini gösteriyorlar. Tahmindeki hatalar, temel sinir ağlarına göre yaklaşık yarıya düşüyor ve model ani zirveleri ve dipleri çok daha iyi izliyor. Araştırmacılar ayrıca yöntemin, birbirinden çok farklı şarj ritimlerine sahip olan çoğunlukla konutluk alanlar ile yoğun ticari bölgeler gibi farklı mahalle türlerinde nasıl performans gösterdiğini de kontrol ediyor.

Şebekeler ve sürücüler için bunun anlamı

Çalışma, yeni yöntemin hem düzgün günlük döngüleri hem de şarj davranışındaki ani değişimleri yakaladığını ve ev odaklı ile iş odaklı bölgelerde gerçek dünya verisiyle çok sıkı bir uyum sağladığını buluyor. Hızla değişen trafik yapan ticari bölgeler hâlâ daha zorlu bir sınama sunsa da doğruluk yüksek kalıyor. Bir genel okuyucu için temel mesaj, verileri dikkatle temizleyip iki tamamlayıcı öğrenme aracının işbirliği yapmasına izin vererek, hizmet sağlayıcıların yaklaşan elektrikli araç şarj talebinin kısa vadeli görünümünü çok daha net elde edebilecekleri. Bu içgörü, daha akıllı fiyatlandırmayı, şarj cihazlarının daha iyi yerleştirilmesini ve işletilmesini ve elektrikli araçlar yayılmaya devam ederken daha güvenilir şebeke hizmetini destekleyebilir.

Atıf: 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

Anahtar kelimeler: elektrikli araç şarjı, yük tahmini, akıllı şebeke, zaman serisi modelleme, kentsel enerji planlaması