Resumen Técnico: Redes Neuronales de Grafos Enriquecidas con Contexto para la Predicción de la Demanda Energética de Estaciones de Carga de Vehículos Eléctricos

1. Planteamiento del Problema

La rápida proliferación de los vehículos eléctricos (VE) ha intensificado la demanda de infraestructura de carga, ejerciendo una presión significativa sobre las redes eléctricas y creando desafíos para la estabilidad de la red y la movilidad urbana sostenible. La predicción precisa de la demanda energética es crítica para los Operadores de Estaciones de Carga (CSO, por sus siglas en inglés) para equilibrar la oferta y la demanda, gestionar la carga de la red y planificar la expansión de la infraestructura.

Sin embargo, los métodos de predicción existentes enfrentan dos limitaciones primarias:

1. Negligencia de las Dependencias Espaciales: Muchos enfoques tratan las estaciones de carga como entidades aisladas, sin capturar las interdependencias espacciales donde la demanda en una estación influye o es influenciada por las estaciones vecinas y el entorno urbano circundante.
2. Explotación Insuficiente de Datos Heterogéneos: Los modelos actuales suelen infrautilizar los datos contextuales urbanos, como la distribución de Puntos de Interés (POI) y la densidad de población, que son impulsores cruciales del comportamiento de carga.

En consecuencia, existe la necesidad de un marco que modele conjuntamente la dinámica temporal y las correlaciones espaciales, integrando al mismo tiempo diversas características contextuales para mejorar la precisión de la predicción y la generalización en diferentes entornos geográficos.

2. Metodología

Los autores proponen un marco de Red Neuronal de Grafo Espacio-Temporal (STGNN) diseñado para la predicción de la demanda energética diaria a nivel de estación. La metodología integra fuentes de datos heterogéneas en un grafo espacial estático para modelar patrones energéticos complejos.

2.1. Construcción y Representación del Grafo

• Nodos: Cada nodo representa una estación de carga de vehículo eléctrico (EVCS) específica.
• Aristas: Se construye un grafo espacial estático donde las aristas codifican las relaciones entre estaciones. Estas relaciones se definen por:
  • Proximidad Física: Derivada de la conectividad de la red de carreteras (tiempo/distancia de la ruta más corta).
  • Proximidad Funcional: Reflejando las correlaciones en la demanda entre estaciones que sirven roles urbanos similares, incluso si no son geográficamente adyacentes.
• Características de los Nodos: Cada nodo se enriquece con un vector de características heterogéneas, que incluyen:
  • Perfiles de Carga Históricos: Consumo de energía con retardo (1, 3, 7 días) y estadísticas móviles (media, desviación estándar).
  • Datos Urbanos Contextuales: Distribución de POI (por ejemplo, estacionamientos, residenciales, oficinas, tipos de vías) extraídos de OpenStreetMap y densidad de población.
  • Indicadores Temporales: Día de la semana, mes, indicadores de días festivos y banderas de uso pico.
  • Datos de Sesión: Conteo y duración de sesiones con retardo.

2.2. Marco de Predicción

El marco emplea un mecanismo de ventana deslizante para procesar secuencias temporales.

• Entrada: Una secuencia de observaciones históricas ($w$ pasos de tiempo) para todos los $N$ nodos, representada como $X_{t-w+1:t} \in \mathbb{R}^{w \times N \times F}$.
• Procesamiento: El modelo utiliza mecanismos de paso de mensajes para propagar información entre estaciones conectadas, permitiendo que cada estación intercambie información de forma iterativa con sus vecinos. Esto captura cómo las fluctuaciones de la demanda local influyen en los nodos circundantes.
• Salida: El modelo predice el consumo de energía para el siguiente paso de tiempo (día siguiente) para todas las estaciones simultáneamente.

2.3. Arquitecturas de Modelos

El estudio evalúa sistemáticamente cuatro arquitecturas avanzadas de STGNN frente a bases temporales únicamente (LSTM y GRU):

1. MTGNN (Red Neuronal de Tiempo Multivariante): Integra convoluciones temporales con aprendizaje de estructura de grafo adaptativo para manejar datos de series temporales multivariantes.
2. ASTGCN (Red Convolucional de Grafo Espacio-Temporal Basada en Atención): Aplica mecanismos de atención espacial y temporal para capturar dependencias dinámicas.
3. STConv (Red Convolucional Espacio-Temporal): Modela eficientemente los patrones temporales locales mediante convoluciones de grafo.
4. A3TGCN (Red Convolucional de Grafo con Atención Temporal): Combina unidades temporales con compuertas (gated units) y mecanismos de atención para el aprendizaje de secuencias.

2.4. Preprocesamiento de Datos

• Conjuntos de Datos: Se utilizaron dos conjuntos de datos geográficamente diversos:
  • Palo Alto, EE. UU.: Un conjunto de datos urbano (46 estaciones, 2018–2020).
  • Yonne, Francia: Un conjunto de datos semi-rural (133 estaciones, 2021–2022).
• Reducción de Ruido: Se aplicó la Media Móvil Exponencial (EMA) para suavizar los datos ruidosos y reducir el impacto de anomalías transitorias, preservando al mismo tiempo las tendencias subyacentes.
• Limpieza de Datos: Se corrigieron los valores atípicos y se excluyeron los datos del periodo de la pandemia de COVID-19 (caracterizado por un uso atípico) para asegurar el entrenamiento basado en patrones operativos regulares.

3. Contribuciones Clave

El artículo describe tres contribuciones principales:

1. Un Nuevo Marco de Predicción: La propuesta de un marco de predicción a nivel de estación para el día siguiente utilizando arquitecturas STGNN avanzadas (MTGNN, ASTGCN, STConv, A3TGCN) que modela explícitamente tanto la evolución temporal como las interdependencias espaciales.
2. Fusión de Datos Enriquecida con Contexto: La integración de datos de múltiples fuentes, incluyendo relaciones espaciales, uso histórico y características urbanas contextuales (POI, densidad de población), en vectores de características de nodos. Este enfoque captura las fluctuaciones de la demanda moldeadas por la conectividad espacial, el comportamiento del usuario y los factores demográficos.
3. Evaluación Exhaustiva: Una evaluación rigurosa a través de dos conjuntos de datos contrastantes del mundo real (urbano vs. semi-rural) comparando las STGNN contra bases temporales establecidas (LSTM, GRU) utilizando múltiples métricas (RMSE, MAE, MSE, $R^2$).

4. Resultados Experimentales

Los experimentos se realizaron en los conjuntos de datos de Palo Alto y Yonne con una división de entrenamiento/validación/prueba de 60/20/20.

4.1. Métricas de Desempeño

• Conjunto de Datos de Palo Alto (Urbano):
  • Mejor Modelo: MTGNN logró el RMSE de prueba más bajo (8.32) y el $R^2$ más alto (0.86), superando a LSTM (RMSE 10.65) y GRU (RMSE 11.31).
  • Eficiencia: MTGNN demostró una alta eficiencia computacional con un tiempo de ejecución de 0.12 minutos.
• Conjunto de Datos de Yonne (Semi-Rural):
  • Mejor Modelo: ASTGCN y MTGNN empataron en la mayor precisión, ambos logrando un $R^2$ de 0.86. ASTGCN logró un RMSE de prueba ligeramente inferior (15.16) comparado con MTGNN (15.54).
  • Comparación con la Base: Ambas STGNN superaron significativamente a LSTM (RMSE 18.24) y GRU (RMSE 20.36).
  • Tiempo de Ejecución: MTGNN (1.39 min) y ASTGCN (2.14 min) fueron significativamente más rápidos que las bases (LSTM: 73.03 min; GRU: 109.39 min).

4.2. Análisis

• Dependencia Espacial: El desempeño superior de los modelos basados en grafos sobre LSTM y GRU confirma que capturar las correlaciones espaciales entre estaciones es crítico para una predicción precisa.
• Especificaciones del Modelo:
  • MTGNN demostró ser robusto en ambos conjuntos de datos, siendo particularmente efectivo en el manejo de series temporales multivariantes y ofreciendo el mejor equilibrio entre precisión y velocidad en el entorno urbano.
  • ASTGCN destacó en el entorno semi-rural, aprovechando sus mecanismos de atención para modelar dependencias espacio-temporales complejas.
  • STConv mostró una precisión competitiva pero sufrió de una alta carga computacional (por ejemplo, ~58 minutos para Palo Alto).
  • A3TGCN ofreció el tiempo de ejecución más rápido pero tuvo dificultades con la generalización en escenarios de alta variabilidad, resultando en puntuaciones de $R^2$ más bajas.

5. Significación y Reivindicaciones

El artículo sostiene que el modelado espacio-temporal basado en grafos permite una predicción de EVCS precisa, eficiente y generalizable en diversos entornos urbanos. Al integrar datos urbanos heterogéneos (POI, población) con perfiles de carga históricos, el marco propuesto aborda las limitaciones de los métodos existentes que descuidan las dependencias espaciales.

El estudio enfatiza la reproducibilidad y adaptabilidad a través de contextos urbanos heterogéneos con requisitos de datos reducidos, lo que lo hace aplicable en la práctica para la planificación de infraestructura y la coordinación de la red. Los resultados demuestran que las STGNN, particularmente MTGNN y ASTGCN, proporcionan una base sólida para gestionar las demandas energéticas de la elctrificación del transporte, ofreciendo una mejora significativa sobre los modelos tradicionales que son solo temporales.

Direcciones Futuras: Los autores sugieren que el trabajo futuro debería centrarse en:

• Integrar información de tráfico en tiempo real.
• Refinar la optimización mediante el aprendizaje por refuerzo.
• Aplicar el aprendizaje por transferencia (transfer learning) para adaptar los modelos de regiones ricas en datos a contextos con escasez de datos (por ejemplo, mercados emergentes).
• Utilizar el aprendizaje de meta (meta-learning) para una rápida adaptación de los modelos a nuevas estaciones o condiciones de demanda cambiantes.