⚡ electrical engineering

Electric Vehicle Charging Profile Forecasting Using Hybrid Models

यह शोध पत्र व्यक्तिगत इलेक्ट्रिक वाहन चार्जिंग प्रोफाइल का एकल और संकलित दोनों स्तरों पर पूर्वानुमान लगाने के लिए एक हाइब्रिड और हल्का (लाइटवेट) तरीका प्रस्तावित करता है, जो बैटरी-सचेत शेड्यूलिंग और प्रस्थान समय अनुमान में सुधार करने के लिए सूचना की परिवर्तनशील उपलब्धता के across इसकी प्रभावशीलता का मूल्यांकन करता है।

मूल लेखक: Riccardo Ramaschi, Mario Paolone, Sonia Leva

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Riccardo Ramaschi, Mario Paolone, Sonia Leva

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक व्यस्त हाईवे रेस्ट स्टॉप के मैनेजर हैं, लेकिन गैस पंपों के बजाय, आपके पास इलेक्ट्रिक कारों के लिए फास्ट-चार्जिंग स्टेशन हैं। आपकी सबसे बड़ी चुनौती यह जानना है कि प्रत्येक कार को कितनी बिजली की आवश्यकता होगी और उसे भरने में कितना समय लगेगा। यदि आप गलत अनुमान लगाते हैं, तो आप दूसरों के लिए बिजली खत्म कर सकते हैं, या आप किसी कार को ज़रूरत से ज़्यादा समय तक वहां बैठे रहने के लिए छोड़ सकते हैं।

यह शोध पत्र एक "स्मार्ट गेसर" (smart guesser) सिस्टम प्रस्तुत करता है जिसे यह भविष्यवाणी करने के लिए डिज़ाइन किया गया है कि एक इलेक्ट्रिक कार कैसे चार्ज होगी, चार्ज होने से पहले और चार्ज होते समय भी। लेखक, जो इटली और स्विट्जरलैंड के शोधकर्ता हैं, उन्होंने एक हाइब्रिड टूल बनाया है जो इन भविष्यवाणियों को करने के लिए सोचने के दो अलग-अलग तरीकों को जोड़ता है।

यह प्रणाली कैसे काम करती है, इसे सरल उपमाओं के माध्यम से समझाया गया है:

1. दो-चरणीय भविष्यवाणी खेल (The Two-Step Prediction Game)

यह प्रणाली दो अलग-अलग चरणों में काम करती है, जैसे कि कोई जासूस संदिग्ध से मिलने से पहले और बाद में केस सुलझाता है।

चरण A: "अनकनेक्टेड" अनुमान (कार के आने से पहले)
कार के प्लग लगाने से पहले ही, सिस्टम को एक "अंधा" अनुमान लगाना होता है। इसे नहीं पता होता कि बैटरी का आकार क्या है या अंदर कितनी बिजली बची है।

उपमा: कल्पना कीजिए कि आप एक पाइप से बाल्टी भरने में लगने वाले समय का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आपको यह नहीं पता कि बाल्टी का आकार क्या है या वह कितनी भरी हुई है।
टूल: शोधकर्ता एक "रैंडम फॉरेस्ट" (एक प्रकार का कंप्यूटर मस्तिष्क जो पिछले डेटा से सीखता है) का उपयोग करते हैं ताकि कार के बैटरी आकार और बाहरी तापमान के आधार पर चार्जिंग गति का अनुमान लगाया जा सके।
ट्विस्ट: चूंकि उन्हें अक्सर सटीक बैटरी आकार का पता नहीं होता, इसलिए वे समय के अंतराल और ऐतिहासिक पैटर्न के आधार पर सबसे संभावित बैटरी आकार का अनुमान लगाने के लिए "गौसियन मिक्स्चर मॉडल" (एक सांख्यिकीय उपकरण जो समान चीजों को समूहों में बांटता है) का उपयोग करते हैं।

चरण B: "कनेक्टेड" परिशोधन (कार के प्लग लगाने के बाद)
एक बार जब कार प्लग इन हो जाती है, तो सिस्टम के पास रीयल-टाइम डेटा आ जाता है। यह वास्तविक बिजली के प्रवाह और बढ़ती बैटरी के स्तर को देखता है।

उपमा: अब जब आप वास्तविक बाल्टी और बहते पानी को देख सकते हैं, तो आप अनुमान लगाना बंद कर सकते हैं और मापना शुरू कर सकते हैं। आप वर्तमान प्रवाह की तुलना हजारों अन्य बाल्टियों से करते हैं जिन्हें आपने पहले देखा है, यह देखने के लिए कि कौन सी सबसे अधिक समान दिखती है।
टूल: सिस्टम एक सरल "यूक्लिडियन डिस्टेंस" (Euclidean distance) विधि का उपयोग करता है। यह कार के वर्तमान व्यवहार को देखता है और अपने पिछले चार्जिंग सत्रों के इतिहास में "सबसे करीबी मिलान" ढूंढता है। फिर यह सच्चाई के करीब आने के लिए हर मिनट अपनी भविष्यवाणी को अपडेट करता है।

2. "टाइम ट्रैवल" की समस्या

यह शोध पत्र "टाइम ट्रांसपोज़िशन" (Time Transposition) नामक एक पेचीदा समस्या पर प्रकाश डालता है।

समस्या: सिस्टम यह भविष्यवाणी करने में बहुत अच्छा है कि एक विशिष्ट बैटरी स्तर पर एक कार को कितनी बिजली की आवश्यकता है (जैसे, "50% बैटरी पर, कार को 100 kW की आवश्यकता है")। लेकिन पावर स्टेशन को यह जानने की आवश्यकता है कि कब ऐसा होगा (जैसे, "यह 15 मिनट में 50% तक पहुँच जाएगा")।
रूपक: कार की गति जानना आसान है; यह जानना कठिन है कि वह अगले निकास (exit) पर ठीक कब पहुंचेगी, खासकर यदि आप नहीं जानते कि उसके पास कितना ईंधन था या उसके टैंक का आकार कितना बड़ा है।
अध्ययन: लेखकों ने परीक्षण किया कि क्या होता है यदि उन्हें यह जानकारी गलत मिलती है। उन्होंने आठ अलग-अलग परिदृश्य सिम्युलेट किए, जो "हम सब कुछ पूरी तरह से जानते हैं" से लेकर "हम बिल्कुल कुछ नहीं जानते" तक के रेंज में थे।

3. उन्होंने क्या पाया (परिणाम)

शोधकर्ताओं ने स्विट्जरलैंड के एक सार्वजनिक डेटासेट (1,878 चार्जिंग सत्र) से वास्तविक डेटा पर अपने सिस्टम का परीक्षण किया। यहाँ उनकी खोजें दी गई हैं:

"कनेक्टेड" अपडेट शक्तिशाली है: जैसे-जैसे कार चार्ज होती है, सिस्टम बेहतर होता जाता है। 10वें मिनट तक, भविष्यवाणी त्रुटि (error) काफी कम हो जाती है (लगभग 40% की त्रुटि से घटकर केवल 16% रह जाती है)। हालांकि, लगभग 10 अपडेट के बाद, सटीकता में सुधार होना बंद हो जाता है और कभी-कभी थोड़ी खराब हो जाती है, जो यह सुझाव देता है कि अनुमान को परिष्कृत करने के लिए एक "स्वीट स्पॉट" (सही समय) होता है।
बैटरी का आकार ही सर्वोपरि है: जब बात आवश्यक कुल समय और कुल ऊर्जा की भविष्यवाणी करने की आती है, तो बैटरी का आकार जानना सबसे महत्वपूर्ण कारक है। यदि आप बैटरी के आकार का गलत अनुमान लगाते हैं, तो आपकी पूरी टाइमलाइन गलत हो जाएगी।
स्टेट ऑफ चार्ज (SoC) प्रसार को प्रभावित करता है: यह जानना कि कार के आने पर बैटरी कितनी भरी हुई है (SoC), भविष्यवाणी को सटीक बनाने में मदद करता है, जिससे संभावित परिणामों का "फैलाव" (spread) छोटा हो जाता है। हालांकि, प्रस्थान SoC (ड्राइवर बैटरी को कितना भरा हुआ चाहता है) का अनुमान लगाने से उम्मीद के मुताबिक उतना लाभ नहीं मिला, क्योंकि मॉडल में इस संख्या का अनुमान लगाने में थोड़ा पूर्वाग्रह (bias) था।
"कोई जानकारी नहीं" वाला परिदृश्य: भले ही सिस्टम को सब कुछ खुद ही अनुमान लगाना पड़ा (बैटरी आकार, आगमन स्तर और प्रस्थान स्तर), फिर भी यह बिना किसी डेटा के होने की तुलना में बेहतर था, हालांकि त्रुटियां बहुत अधिक थीं।

सारांश

संक्षेप में, यह शोध पत्र इलेक्ट्रिक कार चार्जिंग की भविष्यवाणी करने के लिए एक हल्का, दो-भाग वाला सिस्टम पेश करता है। यह इतिहास और मौसम के आधार पर एक सांख्यिकीय "सर्वश्रेष्ठ अनुमान" से शुरू होता है, और फिर जैसे ही कार प्लग इन होती है, यह "रीयल-टाइम मैचिंग" मोड में बदल जाता है।

मुख्य निष्कर्ष यह है कि जबकि सिस्टम अच्छी तरह से काम करता है, अंतिम टाइमलाइन की सटीकता काफी हद तक बैटरी के आकार को जानने पर निर्भर करती है। यदि आप बैटरी के आकार का गलत अनुमान लगाते हैं, तो पूरी समय-सारणी बिगड़ जाएगी। यदि आप बैटरी का आकार सही बताते हैं, तो सिस्टम चार्जिंग शुरू होते ही अपनी टाइमलाइन को बहुत तेज़ी से सुधार सकता है। लेखक निष्कर्ष निकालते हैं कि यह विधि एक आशाजनक और कुशल तरीका है जिससे बड़े, जटिल कंप्यूटर सिस्टम की आवश्यकता के बिना पावर ग्रिड को बढ़ते इलेक्ट्रिक कारों के प्रबंधन में मदद मिल सकती है।

तकनीकी सारांश: हाइब्रिड मॉडल्स का उपयोग करके इलेक्ट्रिक वाहन चार्जिंग प्रोफाइल का पूर्वानुमान

समस्या विवरण
इलेक्ट्रिक वाहन (EV) अपनाने और फास्ट चार्जिंग स्टेशनों (FCS) के तेजी से विस्तार के लिए बिजली की मांग का सटीक पूर्वानुमान आवश्यक है। जबकि साहित्य में एग्रीगेटेड डिमांड फोरकास्टिंग (एकत्रित मांग पूर्वानुमान) को व्यापक रूप से कवर किया गया है, व्यक्तिगत EV चार्जिंग प्रोफाइल के पूर्वानुमान का क्षेत्र अभी भी कम खोजा गया है। बैटरी-जागरूक शेड्यूलिंग, स्टेशन-स्तरीय पूर्वानुमानों के लिए सूक्ष्म अपडेट और प्रस्थान समय (departure times) का अनुमान लगाने के लिए सटीक व्यक्तिगत प्रोफाइल महत्वपूर्ण हैं। हालांकि, मौजूदा दृष्टिकोणات ग्रैनुलर सार्वजनिक डेटासेट की कमी, प्रोप्राइटरी बैटरी मैनेजमेंट सिस्टम (BMS) पर निर्भरता और डीप लर्निंग मॉडल की कम्प्यूटेशनल मांगों के कारण चुनौतियों का सामना करते हैं। इसके अलावा, "टाइम ट्रांसपोज़िशन" (समय रूपांतरण) में एक महत्वपूर्ण अंतर मौजूद है—जो पावर-बनाम-स्टेट-ऑफ-चार्ज (SoC) प्रोफाइल को पावर-बनाम-समय वक्र (curve) में बदलने की प्रक्रिया है। यह रूपांतरण ऐसी जानकारी पर निर्भर करता है जो अक्सर कनेक्शन से पहले अज्ञात या अनुमानित होती है (जैसे आगमन/प्रस्थान SoC, प्रस्थान समय, बैटरी क्षमता), जो पूर्वानुमान की सटीकता को खतरे में डाल सकती है।

कार्यप्रणाली
लेखक एक हाइब्रिड, लाइटवेट फोरकास्टिंग टूल का प्रस्ताव करते हैं जिसमें चार्जिंग प्रक्रिया से पहले और उसके दौरान चार्जिंग प्रोफाइल का अनुमान लगाने के लिए दो अलग-अलग इंस्टेंस शामिल हैं। यह मॉडल एम्बीयंट टेम्परेचर (परिवेशी तापमान) डेटा के साथ संवर्धित, एकोल पॉलिटेक्निक फेडरल डी लाउज़ेन (DESL) के 1,878 लेवल 3 (L3) FCS चार्जिंग सत्रों के सार्वजनिक डेटासेट का उपयोग करता है।

अनकनेक्टेड एस्टीमेशन (कनेक्शन से पूर्व):
- उद्देश्य: EV के कनेक्ट होने से पहले चार्जिंग प्रोफाइल (पावर बनाम SoC) का एक प्रारंभिक अनुमान उत्पन्न करना।
- विशेषताएं: मॉडल बैटरी क्षमता ( $C$ ) और आगमन के समय परिवेशी तापमान ( $T_{ta}$ ) का उपयोग करता है।
- क्षमता अनुमान (Capacity Estimation): चूंकि वास्तविक क्षमता अज्ञात हो सकती है, इसलिए ऐतिहासिक वितरणों के आधार पर $C$ का अनुमान लगाने के लिए K-फोल्ड क्रॉस-वैलिडेशन (CV) के साथ एक यूनिवेरिएट गॉसियन मिक्सचर मॉडल (GMM) का उपयोग किया जाता है।
- प्रोफाइल प्रेडिक्शन: एक रैंडम फॉरेस्ट (RF) रिग्रेसर पूर्ण चार्जिंग प्रोफाइल ( $CP_{ta}$ ) की भविष्यवाणी करता है जो SoC को पावर के साथ मैप करता है। प्रशिक्षण डेटा को ऐतिहासिक सत्रों के SoC-आधारित इंटरपोलेशन के माध्यम से बनाया गया है, जिसे निश्चित-लंबाई वाले प्रतिनिधित्व को सुनिश्चित करने के लिए कॉन्स्टेंट एक्सट्रपलेशन के माध्यम से विस्तारित किया गया है।
- SoC/Time फोरकास्टिंग: टाइम ट्रांसपोज़िशन को संभालने के लिए, GMM-आधारित मॉडल (दिन के घंटे के अनुसार अनुकूलित) आगमन और प्रस्थान SoC ( $SoC_{ta}$ , $SoC_{td}$ ) की भविष्यवाणी करते हैं।
कनेक्टेड एस्टीमेशन (कनेक्शन के दौरान):
- उद्देश्य: रोलिंग-होराइजन फ्रेमवर्क का उपयोग करके चार्जिंग सत्र के दौरान प्रोफाइल को निरंतर परिष्कृत करना।
- विधि: एक हल्का सांख्यिकीय दृष्टिकोण जो यूक्लिडियन दूरियों (Euclidean distances) पर आधारित है। प्रत्येक समय चरण $t_i$ पर, मॉडल एक इनपुट वेक्टर बनाता है जिसमें बैटरी क्षमता और $t_i$ तक का वास्तविक पावर इतिहास शामिल होता है। यह एक ऐतिहासिक वास्तविकताओं के मैट्रिक्स के विरुद्ध तुलना करता है ताकि निकटतम मिलान ( $j^*$ ) पाया जा सके और संगत ऐतिहासिक प्रोफाइल सेगमेंट का उपयोग करके पूर्वानुमान को अपडेट किया जा सके।
टाइम ट्रांसपोज़िशन:
- मॉडल एक सरल EV सरोगेट मॉडल का उपयोग करके SoC-आधारित प्रोफाइल को समय-आधारित वक्र में परिवर्तित करता है। इस प्रक्रिया का मूल्यांकन सूचना की उपलब्धता (ज्ञात बनाम अनुमानित $C$ , $SoC_{ta}$ , और $SoC_{td}$ ) के विभिन्न स्तरों के तहत किया जाता है।

प्रमुख योगदान

हाइब्रिड फोरकास्टिंग टूल: पेपर एक व्यापक टूल की रूपरेखा प्रस्तुत करता है जो प्रारंभिक प्रोफाइल अनुमान के लिए सुपरवाइज्ड लर्निंग दृष्टिकोण (RF) और वास्तविक समय के शोधन के लिए सांख्यिकीय दूरी-आधारित विधि को जोड़ता है।
सटीकता का परिमाणीकरण: अध्ययन मॉडल की पूर्वानुमान सटीकता को मापता है, जो क्रमिक अपडेट के माध्यम से सुधार प्रदर्शित करता है।
सूचना प्रभाव विश्लेषण: लेखक एक एब्लेशन-जैसे विश्लेषण का उपयोग करते हैं ताकि टाइम ट्रांसपोज़िशन पर सूचना की उपलब्धता (क्षमता, आगमन SoC, प्रस्थान SoC) के विशिष्ट प्रभाव की पहचान की जा सके।

परिणाम

फोरकास्टिंग प्रदर्शन: क्रमिक शोधन सटीकता में काफी सुधार करता है। अनकनेक्टेड फोरकास्ट (अनुमानित क्षमता के साथ) के लिए मीडियन एनवेलप-वेटेड मीन एब्सोल्यूट एरर (EMAE) लगभग 40% है। कनेक्टेड अपडेट के बाद, 10वें इटरेशन तक मीडियन EMAE घटकर लगभग 16% हो जाता है। 10 इटरेशन के बाद, त्रुटि स्थिर हो जाती है या थोड़ी बढ़ जाती है, जो शोधन के लिए एक इष्टतम स्टॉपिंग पॉइंट का सुझाव देती है।
क्षमता अनुमान: GMM-आधारित क्षमता एस्टीमेटर वास्तविक बैटरी क्षमताओं के वितरण को सफलतापूर्वक दोहराता है, हालांकि त्रुटि रेंज विस्तृत हो सकती है, जो प्रारंभिक पूर्वानुमान को प्रभावित करती है।
टाइम ट्रांसपोज़िशन परिदृश्य: $C$ $C$ , $SoC_{ta}$ $S o C_{t a}$ , और $SoC_{td}$ $S o C_{t d}$ की उपलब्धता के संबंध में आठ परिदृश्यों का परीक्षण किया गया।
- क्षमता ( $C$ ): क्षमता अनुमान में त्रुटियां पावर कर्व में व्यवस्थित स्केलिंग त्रुटियों की ओर ले जाती हैं और चार्जिंग समय एवं ऊर्जा मेट्रिक्स के बायस (bias) को महत्वपूर्ण रूप से प्रभावित करती हैं। $C$ का ज्ञात होना वितरण को समरूपता (symmetry) की ओर ले जाता है।
- SoC सूचना: $SoC_{ta}$ और $SoC_{td}$ में त्रुटियां पावर कर्व के स्केलिंग के बजाय मुख्य रूप से टेम्पोरल अलाइनमेंट (डिस्पर्सन/फैलाव) को प्रभावित करती हैं।
- संयुक्त प्रभाव: जब सभी चर ज्ञात होते हैं, तो टाइम-ट्रांसपोज़्ड प्रोफाइल के लिए मीडियन EMAE गिरकर लगभग 45% हो जाता है। अध्ययन नोट करता है कि त्रुटियां संचयी (compound) होती हैं, लेकिन क्षमता बायस के लिए प्रमुख कारक है, जबकि SoC सूचना मुख्य रूप से त्रुटि वितरण के फैलाव को प्रभावित करती है।
- बायस अवलोकन: मॉडल अधिकांश परिदृश्यों में चार्जिंग समय को कम आंकने (पॉजिटिव टाइम एरर) की प्रवृत्ति प्रदर्शित करता है।

महत्व और दावे
पेपर व्यक्तिगत EV चार्जिंग प्रोफाइल फोरकास्टिंग के संबंध में साहित्य के अंतराल को भरने का दावा करता है और विशेष रूप से अनिश्चित सूचना स्थितियों के तहत टाइम ट्रांसपोज़िशन के विश्लेषण पर जोर देता है। लेखक दावा करते हैं कि उनकी हाइब्रिड विधि एक कम्प्यूटेशनल रूप से कुशल समाधान प्रदान करती है जो रोलिंग-होराइजन अनुप्रयोगों के लिए उपयुक्त है, जिससे उन भारी कम्प्यूटेशनल लागतों से बचा जा सकता है जो बार-बार रिट्रेनिंग की आवश्यकता वाले डीप लर्निंग आर्किटेक्चर के साथ आती हैं।

यह अध्ययन रेखांकित करता है कि हालांकि व्यक्तिगत प्रोफाइल फोरकास्टिंग कम खोजा गया विषय है, फिर भी यह ग्रिड प्रबंधन और बैटरी-जागरूक शेड्यूलिंग के लिए मूर्त लाभ प्रदान करता है। हालांकि, लेखक विनम्रतापूर्वक नोट करते हैं कि व्यक्तिगत प्रोफाइल फोरकास्टिंग के लाभ उपलब्ध जानकारी की परिवर्तनशील सीमा के कारण खतरे में पड़ सकते हैं। परिणाम बताते हैं कि व्यवस्थित बायस को कम करने के लिए बैटरी क्षमता का सटीक ज्ञान सर्वोपरि है, जबकि SoC जानकारी समय और ऊर्जा अनुमानों के फैलाव (dispersion) को कम करने के लिए महत्वपूर्ण है। भविष्य के कार्य में व्यापक डेटाबेस को एकीकृत करना और अपने मॉडल को अन्य अत्याधुनिक बेसलाइन्स के विरुद्ध बेंचमार्क करना नियोजित है।

1. दो-चरणीय भविष्यवाणी खेल (The Two-Step Prediction Game)

2. "टाइम ट्रैवल" की समस्या

3. उन्होंने क्या पाया (परिणाम)

सारांश

इसी तरह के और पेपर