⚡ electrical engineering

Electric Vehicle Charging Profile Forecasting Using Hybrid Models

Ce papier propose une méthode hybride et légère pour prévoir les profils de charge individuels des véhicules électriques aux niveaux individuel et agrégé, en évaluant son efficacité face à des disponibilités d'informations variables afin d'améliorer la planification consciente de la batterie et l'estimation des heures de départ.

Auteurs originaux : Riccardo Ramaschi, Mario Paolone, Sonia Leva

Publié 2026-05-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Riccardo Ramaschi, Mario Paolone, Sonia Leva

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes le gestionnaire d'une aire de repos autoroutière très fréquentée, mais au lieu de pompes à essence, vous disposez de bornes de recharge rapide pour véhicules électriques (VE). Votre plus grand défi consiste à savoir exactement combien d'électricité chaque voiture aura besoin et combien de temps il faudra pour la remplir. Si vous faites une mauvaise estimation, vous risquez de manquer d'énergie pour tout le monde, ou de laisser une voiture stationnée plus longtemps que nécessaire.

Ce document présente un système de « devin intelligent » conçu pour prédire exactement comment une voiture électrique va se recharger, à la fois avant qu'elle ne se branche et pendant qu'elle est en cours de recharge. Les auteurs, des chercheurs d'Italie et de Suisse, ont développé un outil hybride combinant deux façons de penser différentes pour effectuer ces prédictions.

Voici comment leur système fonctionne, expliqué par le biais d'analogies simples :

1. Le jeu de prédiction en deux étapes

Le système fonctionne en deux phases distinctes, comme un détective résolvant une affaire avant et après avoir rencontré un suspect.

Phase A : L'estimation « non connectée » (Avant l'arrivée de la voiture)
Avant même que la voiture ne se branche, le système doit faire une estimation « aveugle ». Il ne connaît pas la taille de la batterie de la voiture ni exactement la quantité d'énergie restante à l'intérieur.

L'analogie : Imaginez essayer de deviner combien de temps il faudra pour remplir un seau avec un tuyau d'arrosage, sans connaître la taille du seau ni son niveau de remplissage initial.
L'outil : Les chercheurs utilisent une « forêt aléatoire » (un type de cerveau informatique qui apprend à partir de données passées) pour estimer la vitesse de recharge en fonction de la taille de la batterie de la voiture et de la température extérieure.
La particularité : Comme ils ne connaissent souvent pas la taille exacte de la batterie, ils utilisent un « modèle de mélange gaussien » (un outil statistique qui regroupe des éléments similaires) pour estimer la taille de batterie la plus probable en fonction de l'heure de la journée et des schémas historiques.

Phase B : L'affinement « connecté » (Après le branchement de la voiture)
Une fois la voiture branchée, le système reçoit des données en temps réel. Il observe la puissance réelle circulant et le niveau de batterie qui augmente.

L'analogie : Maintenant que vous voyez le seau réel et l'eau qui coule, vous pouvez arrêter de deviner et commencer à mesurer. Vous comparez le débit actuel à des milliers d'autres seaux que vous avez vus auparavant pour voir lequel ressemble le plus au vôtre.
L'outil : Le système utilise une méthode simple de « distance euclidienne ». Il examine le comportement actuel de la voiture et trouve la « correspondance la plus proche » dans son historique de sessions de recharge passées. Il met ensuite à jour sa prédiction chaque minute pour se rapprocher de la réalité.

2. Le problème du « voyage dans le temps »

Le document met en évidence un problème délicat appelé « Transposition temporelle ».

Le problème : Le système est excellent pour prédire combien de puissance une voiture a besoin à un niveau de batterie spécifique (par exemple : « À 50 % de batterie, la voiture a besoin de 100 kW »). Mais la station de recharge doit savoir quand cela se produira (par exemple : « Elle atteindra 50 % dans 15 minutes »).
La métaphore : Connaître la vitesse d'une voiture est facile ; savoir exactement quand elle arrivera à la prochaine sortie est plus difficile, surtout si vous ne savez pas combien d'essence elle avait au départ ou quelle est la taille de son réservoir.
L'étude : Les auteurs ont testé ce qui se passe s'ils obtiennent ces informations incorrectes. Ils ont simulé huit scénarios différents, allant de « Nous savons tout parfaitement » à « Nous ne savons absolument rien ».

3. Ce qu'ils ont découvert (Les résultats)

Les chercheurs ont testé leur système sur des données réelles provenant d'un ensemble de données public en Suisse (1 878 sessions de recharge). Voici ce qu'ils ont découvert :

La mise à jour « connectée » est puissante : Le système s'améliore considérablement au fur et à mesure que la voiture se recharge. À la 10e minute de recharge, l'erreur de prédiction a chuté de manière significative (passant d'environ 40 % d'écart à seulement 16 %). Cependant, après environ 10 mises à jour, la précision a cessé de s'améliorer et s'est parfois légèrement détériorée, suggérant qu'il existe un « point optimal » pour arrêter d'affiner l'estimation.
La taille de la batterie est reine : Lorsqu'il s'agit de prédire le temps total et l'énergie totale nécessaires, connaître la taille de la batterie est le facteur le plus critique. Si vous vous trompez sur la taille de la batterie, votre chronologie entière est faussée.
L'état de charge (SoC) affecte la dispersion : Connaître le niveau de remplissage de la batterie à l'arrivée de la voiture (SoC) aide à resserrer la prédiction, réduisant la « dispersion » des résultats possibles. Cependant, deviner le SoC de départ (le niveau de remplissage souhaité par le conducteur) n'a pas toujours aidé autant que prévu, probablement parce que le modèle présentait un léger biais dans l'estimation de ce chiffre.
Le scénario « Aucune information » : Même lorsque le système devait tout deviner (taille de la batterie, niveau d'arrivée et niveau de départ), il restait meilleur que de ne disposer d'aucune donnée, bien que les erreurs soient beaucoup plus importantes.

Résumé

En bref, ce document présente un système léger en deux parties pour prédire la recharge des véhicules électriques. Il commence par une « meilleure estimation » statistique basée sur l'historique et la météo, puis passe en mode « correspondance en temps réel » une fois la voiture branchée.

L'essentiel à retenir est que, bien que le système fonctionne bien, la précision du chronologie finale dépend fortement de la connaissance de la taille de la batterie. Si vous vous trompez là-dessus, tout l'horaire est faussé. Si vous obtenez la bonne taille de batterie, le système peut affiner son chronologie très rapidement dès que la voiture commence à se recharger. Les auteurs concluent que cette méthode est une façon prometteuse et efficace d'aider les réseaux électriques à gérer le nombre croissant de voitures électriques sans avoir besoin de systèmes informatiques massifs et complexes.

Résumé technique : Prévision des profils de charge des véhicules électriques à l'aide de modèles hybrides

Énoncé du problème
L'expansion rapide de l'adoption des véhicules électriques (VE) et des stations de recharge rapide (FCS) rend nécessaire une prévision précise de la demande en puissance. Si la littérature couvre largement la prévision de la demande agrégée, la prédiction des profils de charge individuels des VE reste peu explorée. Des profils individuels précis sont essentiels pour la planification consciente de la batterie, les mises à jour granulaires des prévisions au niveau des stations et l'estimation des heures de départ. Cependant, les approches existantes font face à des défis liés à l'absence de jeux de données publics granulaires, à la dépendance envers des systèmes de gestion de batterie (BMS) propriétaires et aux exigences computationnelles des modèles d'apprentissage profond. De plus, un écart significatif existe dans la « transposition temporelle » — la transformation d'un profil puissance-vers-état de charge (SoC) en une courbe puissance-vers-temps. Cette transformation repose sur des informations (SoC d'arrivée/depart, heure de départ, capacité de la batterie) qui sont souvent inconnues ou estimées avant la connexion, ce qui peut compromettre la précision des prévisions.

Méthodologie
Les auteurs proposent un outil de prévision hybride et léger comprenant deux instances distinctes pour estimer les profils de charge avant et pendant le processus de charge. Le modèle utilise un jeu de données public de 1 878 sessions de recharge de stations FCS de niveau 3 (L3) provenant de l'École Polytechnique Fédérale de Lausanne (DESL), enrichi par des données de température ambiante.

Estimation non connectée (avant connexion) :
- Objectif : Générer une estimation initiale du profil de charge (Puissance vs SoC) avant que le VE ne se connecte.
- Caractéristiques : Le modèle utilise la capacité de la batterie ( $C$ ) et la température ambiante à l'arrivée ( $T_{ta}$ ).
- Estimation de la capacité : Puisque la capacité réelle peut être inconnue, un modèle de mélange gaussien univarié (GMM) avec validation croisée en K plis (CV) est employé pour estimer $C$ sur la base de distributions historiques.
- Prédiction du profil : Un régresseur Random Forest (RF) prédit le profil de charge complet ( $CP_{ta}$ ) reliant le SoC à la Puissance. Les données d'entraînement sont construites par interpolation basée sur le SoC de sessions historiques, étendues par extrapolation constante pour assurer une représentation de longueur fixe.
- Prévision SoC/Temps : Pour gérer la transposition temporelle, des modèles basés sur le GMM (optimisés par heure de la journée) prédisent le SoC d'arrivée et de départ ( $SoC_{ta}$ , $SoC_{td}$ ).
Estimation connectée (après connexion) :
- Objectif : Affiner continuellement le profil pendant la session de charge en utilisant un cadre à horizon glissant.
- Méthode : Une approche statistique légère basée sur les distances euclidiennes est utilisée. À chaque pas de temps $t_i$ , le modèle construit un vecteur d'entrée contenant la capacité de la batterie et l'historique de puissance réalisé jusqu'à $t_i$ . Il compare cela à une matrice de réalisations historiques pour trouver la correspondance la plus proche ( $j^*$ ) et met à jour la prévision en utilisant le segment de profil historique correspondant.
Transposition temporelle :
- Le modèle convertit le profil basé sur le SoC en une courbe basée sur le temps en utilisant un simple modèle de substitution de VE. Ce processus est évalué sous différents niveaux de disponibilité d'information (capacité $C$ , $SoC_{ta}$ et $SoC_{td}$ connues vs estimées).

Contributions clés

Outil de prévision hybride : L'article décrit un outil complet combinant une approche d'apprentissage supervisé (RF) pour l'estimation initiale du profil et une méthode statistique basée sur les distances pour l'affinement en temps réel.
Quantification de la précision : L'étude quantifie la précision de prévision du modèle, démontrant des améliorations grâce aux mises à jour séquentielles.
Analyse de l'impact de l'information : Les auteurs réalisent une analyse de type ablation pour identifier l'impact spécifique de la disponibilité de l'information (capacité, SoC d'arrivée, SoC de départ) sur la transposition temporelle du profil de charge.

Résultats

Performance de prévision : L'affinement séquentiel améliore considérablement la précision. L'erreur absolue moyenne pondérée par l'enveloppe (EMAE) médiane pour la prévision non connectée (avec capacité estimée) est d'environ 40 %. Après les mises à jour connectées, l'EMAE médiane chute à environ 16 % à la 10e itération. Au-delà de 10 itérations, l'erreur se stabilise ou augmente légèrement, suggérant un point d'arrêt optimal pour l'affinement.
Estimation de la capacité : L'estimateur de capacité basé sur le GMM reproduit avec succès la distribution des capacités réelles de batterie, bien que la plage d'erreur puisse être large, affectant les prévisions initiales.
Scénarios de transposition temporelle : Huit scénarios ont été testés concernant la disponibilité de $C$ $C$ , $SoC_{ta}$ $S o C_{t a}$ et $SoC_{td}$ $S o C_{t d}$ .
- Capacité ( $C$ ) : Les erreurs d'estimation de la capacité entraînent des erreurs d'échelle systématiques dans la courbe de puissance et affectent significativement le biais des métriques de temps et d'énergie de charge. Connaître $C$ déplace la distribution vers la symétrie.
- Informations SoC : Les erreurs dans $SoC_{ta}$ et $SoC_{td}$ affectent principalement l'alignement temporel (dispersion) de la courbe de puissance plutôt que l'échelle.
- Impact combiné : Lorsque toutes les variables sont connues, l'EMAE médiane pour le profil transposé temporellement chute à environ 45 %. L'étude note que les erreurs s'accumulent, mais que la capacité est le facteur dominant pour le biais, tandis que les informations SoC influencent principalement l'étalement de la distribution des erreurs.
- Observation du biais : Le modèle présente une tendance à sous-estimer le temps de charge (erreur de temps positive) dans la plupart des scénarios.

Importance et affirmations
L'article prétend combler un vide dans la littérature concernant la prévision des profils de charge individuels des VE et, crucialement, l'analyse de la transposition temporelle dans des conditions d'information incertaine. Les auteurs affirment que leur méthode hybride fournit une solution efficace sur le plan computationnel, adaptée aux applications à horizon glissant, évitant ainsi les coûts computationnels élevés des architectures d'apprentissage profond nécessitant un réentraînement fréquent.

L'étude souligne que si la prévision des profils individuels est peu explorée, elle offre des avantages tangibles pour la gestion du réseau et la planification consciente de la batterie. Cependant, les auteurs notent modestement que les avantages d'une telle prévision granulaire peuvent être compromis par la variabilité de l'étendue des informations disponibles. Les résultats suggèrent qu'une connaissance précise de la capacité de la batterie est primordiale pour réduire le biais systématique, tandis que les informations SoC sont critiques pour réduire la dispersion dans les estimations de temps et d'énergie. Des travaux futurs sont prévus pour intégrer des bases de données plus vastes et comparer le modèle à d'autres références de l'état de l'art.

1. Le jeu de prédiction en deux étapes

2. Le problème du « voyage dans le temps »

3. Ce qu'ils ont découvert (Les résultats)

Résumé

Articles similaires