Electric Vehicle Charging Profile Forecasting Using Hybrid Models

Resumen Técnico: Pronóstico de Perfiles de Carga de Vehículos Eléctricos Mediante Modelos Híbridos

Planteamiento del Problema
La rápida expansión de la adopción de Vehículos Eléctricos (VE) y de las Estaciones de Carga Rápida (FCS) hace necesaria una previsión precisa de la demanda de energía. Aunque la literatura cubre extensamente el pronóstico de demanda agregada, la predicción de perfiles de carga individuales de VE sigue siendo poco explorada. Los perfiles individuales precisos son críticos para la programación consciente de la batería, las actualizaciones granulares de los pronósticos a nivel de estación y la estimación de los tiempos de salida. Sin embargo, los enfoques existentes enfrentan desafíos relacionados con la falta de conjuntos de datos públicos granulares, la dependencia de Sistemas de Gestión de Baterías (BMS) propietarios y las demandas computacionales de los modelos de aprendizaje profundo. Además, existe una brecha significativa en la "transposición temporal"—la transformación de un perfil de potencia versus Estado de Carga (SoC) en una curva de potencia versus tiempo. Esta transformación depende de información (SoC de llegada/salida, hora de salida, capacidad de la batería) que a menudo es desconocida o estimada antes de la conexión, lo que potencialmente pone en peligro la precisión del pronóstico.

Metodología
Los autores proponen una herramienta de pronóstico híbrida y ligera que comprende dos instancias distintas para estimar los perfiles de carga antes y durante el proceso de carga. El modelo utiliza un conjunto de datos público de 1.878 sesiones de carga de Estaciones de Carga Rápida de Nivel 3 (L3) de la Escuela Politécnica Federal de Lausana (DESL), augmentado con datos de temperatura ambiente.

1. Estimación Desconectada (Pre-conexión):

   • Objetivo: Generar una suposición inicial del perfil de carga (Potencia vs. SoC) antes de que el VE se conecte.
   • Características: El modelo utiliza la capacidad de la batería ($C$) y la temperatura ambiente a la llegada ($T_{ta}$).
   • Estimación de Capacidad: Dado que la capacidad real puede ser desconocida, se emplea un Modelo de Mezcla Gaussiana Univariable (GMM) con Validación Cruzada de K-folds (CV) para estimar $C$ basándose en distribuciones históricas.
   • Predicción del Perfil: Un regresor de Bosque Aleatorio (RF) predice el perfil de carga completo ($CP_{ta}$) mapeando el SoC a la Potencia. Los datos de entrenamiento se construyen mediante interpolación basada en SoC de sesiones históricas, extendidas mediante extrapolación constante para asegurar una representación de longitud fija.
   • Pronóstico de SoC/Tiempo: Para manejar la transposición temporal, los modelos basados en GMM (optimizados por hora del día) predicen el SoC de llegada y de salida ($SoC_{ta}$, $SoC_{td}$).

2. Estimación Conectada (Post-conexión):

   • Objetivo: Refinar continuamente el perfil durante la sesión de carga utilizando un marco de horizonte rodante.
   • Método: Se utiliza un enfoque estadístico ligero basado en distancias euclidianas. En cada paso de tiempo $t_i$, el modelo construye un vector de entrada que contiene la capacidad de la batería y el historial de potencia realizado hasta $t_i$. Compara esto contra una matriz de realizaciones históricas para encontrar la coincidencia más cercana ($j^*$) y actualiza el pronóstico utilizando el segmento de perfil histórico correspondiente.

3. Transposición Temporal:

   • El modelo convierte el perfil basado en SoC en una curva basada en el tiempo utilizando un modelo sustituto simple de VE. Este proceso se evalúa bajo diferentes niveles de disponibilidad de información (capacidad $C$, $SoC_{ta}$ y $SoC_{td}$ conocidas vs. estimadas).

Contribuciones Clave

1. Herramienta de Pronóstico Híbrida: El artículo describe una herramienta integral que combina un enfoque de aprendizaje supervisado (RF) para la estimación inicial del perfil y un método estadístico basado en distancias para el refinamiento en tiempo real.
2. Cuantificación de la Precisión: El estudio cuantifica la precisión del pronóstico del modelo, demostrando mejoras a través de actualizaciones secuenciales.
3. Análisis del Impacto de la Información: Los autores realizan un análisis similar a una ablación para identificar el impacto específico de la disponibilidad de información (capacidad, SoC de llegada, SoC de salida) en la transposición temporal del perfil de carga.

Resultados

• Rendimiento del Pronóstico: El refinamiento secuencial mejora significativamente la precisión. El Error Absoluto Medio Ponderado por la Envoltura (EMAE) mediano para el pronóstico desconectado (con capacidad estimada) es aproximadamente del 40%. Después de las actualizaciones conectadas, el EMAE mediano cae a aproximadamente el 16% para la décima iteración. Más allá de 10 iteraciones, el error se estabiliza o aumenta ligeramente, sugiriendo un punto óptimo de parada para el refinamiento.
• Estimación de Capacidad: El estimador de capacidad basado en GMM replica con éxito la distribución de las capacidades reales de las baterías, aunque el rango de error puede ser amplio, lo que afecta los pronósticos iniciales.
• Escenarios de Transposición Temporal: Se probaron ocho escenarios respecto a la disponibilidad de $C$, $SoC_{ta}$ y $SoC_{td}$.
  • Capacidad ($C$): Los errores en la estimación de la capacidad conducen a errores de escalado sistemáticos en la curva de potencia y afectan significativamente el sesgo de las métricas de tiempo y energía de carga. Conocer $C$ desplaza la distribución hacia la simetría.
  • Información de SoC: Los errores en $SoC_{ta}$ y $SoC_{td}$ afectan principalmente la alineación temporal (dispersión) de la curva de potencia en lugar del escalado.
  • Impacto Combinado: Cuando todas las variables son conocidas, el EMAE mediano para el perfil transpuesto temporalmente cae a alrededor del 45%. El estudio señala que los errores se acumulan, pero la capacidad es el factor dominante para el sesgo, mientras que la información del SoC influye principalmente en la dispersión de la distribución del error.
  • Observación de Sesgo: El modelo exhibe una tendencia a subestimar el tiempo de carga (error de tiempo positivo) en la mayoría de los escenarios.

Significado y Afirmaciones
El artículo afirma llenar una brecha en la literatura respecto al pronóstico de perfiles de carga individuales de VE y, crucialmente, el análisis de la transposición temporal bajo condiciones de información incierta. Los autores afirman que su método híbrido proporciona una solución computacionalmente eficiente adecuada para aplicaciones de horizonte rodante, evitando los altos costos computacionales de las arquitecturas de aprendizaje profundo que requieren reentrenamiento frecuente.

El estudio destaca que, aunque el pronóstico de perfiles individuales está poco explorado, ofrece beneficios tangibles para la gestión de la red y la programación consciente de la batería. Sin embargo, los autores notan modestamente que los beneficios de dicho pronóstico granular pueden verse comprometidos por la extensión variable de la información disponible. Los resultados sugieren que el conocimiento preciso de la capacidad de la batería es primordial para reducir el sesgo sistemático, mientras que la información del SoC es crítica para reducir la dispersión en las estimaciones de tiempo y energía. Se planea un trabajo futuro para integrar bases de datos más amplias y comparar el modelo con otras líneas base de última generación.