Electric Vehicle Charging Profile Forecasting Using Hybrid Models

ملخص تقني: التنبؤ بملف شحن المركبات الكهربائية باستخدام النماذج الهجينة

بيان المشكلة
يتطلب التوسع السريع في اعتماد المركبات الكهربائية (EV) ومحطات الشحن السريع (FCS) تنبؤاً دقيقاً بالطلب على الطاقة. وبينما تغطي الأدبيات بشكل مكثف التنبؤ بالطلب المجمع، لا يزال التنبؤ بملفات شحن المركبات الكهربائية الفردية غير مستكشف بشكل كافٍ. وتعد ملفات التعريف الفردية الدقيقة أمراً بالغ الأهمية للجدولة الواعية بالبطارية، والتحديثات التفصيلية للتوقعات على مستوى المحطة، وتقدير أوقات المغادرة. ومع ذلك، تواجه النهج الحالية تحديات تتعلق بنقص مجموعات البيانات العامة التفصيلية، والاعتماد على أنظمة إدارة البطارية (BMS) المملوكة لجهات معينة، والمتطلبات الحسابية لنماذج التعلم العميق. علاوة على ذلك، توجد فجوة كبيرة في "تحويل الزمن" (time transposition) — وهو تحويل ملف القدرة مقابل حالة الشحن (SoC) إلى منحنى القدرة مقابل الزمن. يعتمد هذا التحويل على معلومات (حالة شحن الوصول/المغادرة، وقت المغادرة، سعة البطارية) التي غالباً ما تكون غير معروفة أو يتم تقديرها قبل الاتصال، مما قد يهدد دقة التنبؤ.

المنهجية
يقترح المؤلفون أداة تنبؤ هجينة وخفيفة الوزن تتكون من نسختين متميزتين لتقدير ملفات الشحن قبل وأثناء عملية الشحن. تستخدم الأداة مجموعة بيانات عامة تضم 1,878 جلسة شحن من المستوى الثالث (L3) لمحطات الشحن السريع (FCS) من مدرسة لوزان الاتحادية للفنون التطبيقية (DESL)، مدعومة ببيانات درجة الحرارة المحيطة.

1. التقدير قبل الاتصال (Pre-Connection):

   • الهدف: توليد تخمين أولي لملف الشحن (القدرة مقابل حالة الشحن SoC) قبل اتصال المركبة الكهربائية.
   • الميزات: يستخدم النموذج سعة البطارية ($C$) ودرجة الحرارة المحيطة عند الوصول ($T_{ta}$).
   • تقدير السعة: نظراً لأن السعة الفعلية قد تكون غير معروفة، يتم استخدام نموذج الخليط الغاوسي أحادي المتغير (GMM) مع التحقق المتقاطع ذي الطيات $K$ (K-fold CV) لتقدير $C$ بناءً على التوزيعات التاريخية.
   • التنبؤ بالملف: يتنبأ نموذج الغابة العشوائية (RF) بملف الشحن الكامل ($CP_{ta}$) الذي يربط حالة الشحن (SoC) بالقدرة. يتم إنشاء بيانات التدريب عبر الاستيفاء القائم على حالة الشحن (SoC-based interpolation) للجلسات التاريخية، مع التمديد عبر الاستكمال الخارجي الثابت لضمان تمثيل ثابت الطول.
   • التنبؤ بـ SoC/الزمن: للتعامل مع تحويل الزمن، تتنبأ نماذج GMM (المُحسنة حسب ساعة اليوم) بحالة شحن الوصول ($SoC_{ta}$) وحالة شحن المغادرة ($SoC_{td}$).

2. التقدير بعد الاتصال (Post-Connection):

   • الهدف: تحسين الملف باستمرار أثناء جلسة الشحن باستخدام إطار عمل الأفق المتدحرج (rolling-horizon).
   • الطريقة: تُستخدم نهج إحصائي خفيف الوزن يعتمد على المسافات الإقليدية. في كل خطوة زمنية $t_i$، يبني النموذج متجهاً مدخلاً يحتوي على سعة البطارية وتاريخ القدرة المتحقق منه حتى $t_i$. ويقوم بمقارنته بمصفوفة من التحققات التاريخية لإيجاد المطابقة الأقرب ($j^*$) وتحديث التنبؤ باستخدام جزء الملف التاريخي المقابل.

3. تحويل الزمن (Time Transposition):

   • يقوم النموذج بتحويل ملف الـ SoC إلى منحنى قائم على الزمن باستخدام نموذج بديل بسيط للمركبة الكهربائية. ويتم تقييم هذه العملية تحت مستويات متفاوتة من توفر المعلومات (السعة المعروفة، أو المقدرة، وحالة شحن الوصول، وحالة شحن المغادرة، ووقت المغادرة، وسعة البطارية) التي غالباً ما تكون مجهولة أو مقدرة قبل الاتصال.

المساهمات الرئيسية

1. أداة تنبؤ هجينة: توضح الورقة أداة شاملة تجمع بين نهج التعلم الخاضع للإشراف (RF) للتقدير الأولي للملف، ونهماً إحصائياً قائماً على المسافة للتحسين في الوقت الفعلي.
2. تكميم الدقة: تقيس الدراسة دقة التنبؤ، مما يظهر تحسينات من خلال التحديثات المتتالية.
3. تحليل تأثير المعلومات: يجري المؤلفون تحليلاً يشبه تحليل الاستئصال (ablation-like analysis) لتحديد التأثير المحدد لتوفر المعلومات (السعة، حالة شحن الوصول، حالة شحن المغادرة) على تحويل زمن ملف الشحن.

النتائج

• أداء التنبؤ: يحسن التحسين المتتالي الدقة بشكل كبير. يبلغ متوسط الخطأ المطلق الموزون بالغطاء (EMAE) لتقدير ما قبل الاتصال (مع السعة المقدرة) حوالي 40%. بعد تحديثات ما بعد الاتصال، ينخفض متوسط EMAE إلى حوالي 16% بحلول التكرار العاشر. بعد 10 تكرارات، يستقر الخطأ أو يزداد قليلاً، مما يشير إلى نقطة توقف مثالية للتحسين.
• تقدير السعة: نجح مقدر السعة القائم على GMM في محاكاة توزيع سعات البطاريات الحقيقية، رغم أن نطاق الخطأ يمكن أن يكون واسعاً، مما يؤثر على التوقعات الأولية.
• سيناريوهات تحويل الزمن: تم اختبار ثمانية سيناريوهات فيما يتعلق بتوفر $C$ و $SoC_{ta}$ و $SoC_{td}$.
  • السعة ($C$): تؤدي الأخطاء في تقدير السعة إلى أخطاء قياس نظامية في منحنى القدرة وتؤثر بشكل كبير على انحياز مقاييس زمن وشحن الطاقة. معرفة $C$ تنقل التوزيع نحو التماثل.
  • معلومات حالة الشحن (SoC): تؤثر الأخطاء في $SoC_{ta}$ و $SoC_{td}$ بشكل أساسي على المحاذاة الزمنية (التشتت) لمنحنى القدرة بدلاً من القياس (scaling).
  • التأثير المشترك: عندما تكون جميع المتغيرات معروفة، ينخفض متوسط EMAE للملف المحول زمنياً إلى حوالي 45%. تشير الدراسة إلى أن الأخطاء تتراكم، ولكن السعة هي العامل المهيمن على الانحياز، بينما تؤثر معلومات SoC بشكل أساسي على انتشار توزيع الخطأ.
  • ملاحظة الانحياز: يظهر النموذج ميلاً لتقليل وقت الشحن (خطأ زمني إيجابي) في معظم السيناريوهات.

الأهمية والادعاءات
تدعي الورقة أنها تسد فجوة في الأدبيات المتعلقة بالتنبؤ بملفات شحن المركبات الكهربائية الفردية، وبالأخص تحليل تحويل الزمن تحت ظروف المعلومات غير المؤكدة. يؤكد المؤلفون أن طريقتهم الهجينة توفر حلاً فعالاً من حيث الحوسبة ومناسباً لتطبيقات الأفق المتدحرج، متجنبة التكاليف الحسابية الباهظة لهياكل التعلم العميق التي تتطلب إعادة تدريب متكررة.

تسلط الدراسة الضوء على أنه بينما يظل التنبؤ بملفات التعريف الفردية غير مستكشف بشكل كافٍ، إلا أنه يقدم فوائد ملموسة لإدارة الشبكة والجدولة الواعية بالبطارية. ومع ذلك، يشير المؤلفون بتواضع إلى أن فوائد مثل هذا التنبؤ التفصيلي يمكن أن تتعرض للتهديد بسبب التفاوت في مدى المعلومات المتاحة. تشير النتائج إلى أن المعرفة الدقيقة بسعة البطارية أمر بالغ الأهمية لتقليل الانحياز النظامي، في حين أن معلومات حالة الشحن (SoC) ضرورية لتقليل تشتت تقديرات الوقت والطاقة. ومن المخطط في العمل المستقبلي دمج قواعد بيانات أوسع ومقارنة النموذج مع نماذج مرجعية أخرى من أحدث ما توصل إليه العلم.