Electric Vehicle Charging Profile Forecasting Using Hybrid Models

Sintesi Tecnica: Previsione del Profilo di Ricarica dei Veicoli Elettrici mediante Modelli Ibridi

Enunciazione del Problema
La rapida espansione dell'adozione dei Veicoli Elettrici (EV) e delle Stazioni di Ricarica Rapida (FCS) rende necessaria una previsione accurata della domanda di potenza. Sebbene la letteratura copra estesamente la previsione della domanda aggregata, la previsione dei profili di ricarica individuali degli EV rimane poco esplorata. Profili individuali accurati sono fondamentali per la pianificazione consapevole della batteria, gli aggiornamenti granulari delle previsioni a livello di stazione e la stima dei tempi di partenza. Tuttavia, gli approcci esistenti affrontano sfide relative alla mancanza di dataset pubblici granulari, alla dipendenza da Sistemi di Gestione della Batteria (BMS) proprietari e alle esigenze computazionali dei modelli di deep learning. Inoltre, esiste un divario significativo nella "trasposizione temporale"—la trasformazione di un profilo potenza-verso-Stato di Carica (SoC) in una curva potenza-verso-tempo. Questa trasformazione si basa su informazioni (SoC di arrivo/partenza, tempo di partenza, capacità della batteria) che sono spesso sconosciute o stimate prima della connessione, potenzialmente compromettendo l'accuratezza della previsione.

Metodologia
Gli autori propongono uno strumento di previsione ibrido e leggero composto da due istanze distinte per stimare i profili di ricarica prima e durante il processo di ricarica. Il modello utilizza un dataset pubblico di 1.878 sessioni di ricarica FCS di Livello 3 (L3) dell'École Polytechnique Fédérale de Lausanne (DESL), integrato con dati sulla temperatura ambientale.

1. Stima Non Connessa (Pre-Connessione):

   • Obiettivo: Generare un'ipotesi iniziale del profilo di ricarica (Potenza vs. SoC) prima che l'EV si connetta.
   • Caratteristiche: Il modello utilizza la capacità della batteria ($C$) e la temperatura ambientale all'arrivo ($T_{ta}$).
   • Stima della Capacità: Poiché la capacità effettiva può essere sconosciuta, viene impiegato un Modello a Miscele Gaussiane (GMM) univariato con Validazione Incrociata a K-fold (CV) per stimare $C$ basandosi sulle distribuzioni storiche.
   • Previsione del Profilo: Un regressore Random Forest (RF) prevede l'intero profilo di ricarica ($CP_{ta}$) mappando il SoC sulla Potenza. I dati di addestramento sono costruiti tramite interpolazione basata sul SoC delle sessioni storiche, estesi tramite estrapolazione costante per garantire una rappresentazione a lunghezza fissa.
   • Previsione SoC/Tempo: Per gestire la trasposizione temporale, modelli basati su GMM (ottimizzati per ora del giorno) prevedono il SoC di arrivo e di partenza ($SoC_{ta}$, $SoC_{td}$).

2. Stima Connessa (Post-Connessione):

   • Obiettivo: Affinare continuamente il profilo durante la sessione di ricarica utilizzando un framework a orizzonte scorrevole.
   • Metodo: Viene adottato un approccio statistico leggero basato sulle distanze euclidee. Ad ogni passo temporale $t_i$, il modello costruisce un vettore di input contenente la capacità della batteria e la storia della potenza realizzata fino a $t_i$. Confronta questo vettore con una matrice di realizzazioni storiche per trovare la corrispondenza più vicina ($j^*$) e aggiorna la previsione utilizzando il segmento di profilo storico corrispondente.

3. Trasposizione Temporale:

   • Il modello converte il profilo basato sul SoC in una curva basata sul tempo utilizzando un semplice modello surrogato EV. Questo processo viene valutato sotto diversi livelli di disponibilità di informazioni ($C$, $SoC_{ta}$ e $SoC_{td}$ noti vs. stimati).

Contributi Chiave

1. Strumento di Previsione Ibrido: Il documento delinea uno strumento completo che combina un approccio di apprendimento supervisionato (RF) per la stima iniziale del profilo e un metodo statistico basato sulla distanza per il raffinamento in tempo reale.
2. Quantificazione dell'Accuratezza: Lo studio quantifica l'accuratezza della previsione del modello, dimostrando miglioramenti attraverso aggiornamenti sequenziali.
3. Analisi dell'Impatto delle Informazioni: Gli autori eseguono un'analisi di tipo ablazione per identificare l'impatto specifico della disponibilità di informazioni (capacità, SoC di arrivo, SoC di partenza) sulla trasposizione temporale del profilo di ricarica.

Risultati

• Prestazioni di Previsione: Il raffinamento sequenziale migliora significativamente l'accuratezza. L'Errore Assoluto Medio Ponderato dall'Inviluppo (EMAE) mediano per la previsione non connessa (con capacità stimata) è di circa il 40%. Dopo gli aggiornamenti connessi, l'EMAE mediano scende a circa il 16% alla 10ª iterazione. Oltre le 10 iterazioni, l'errore si stabilizza o aumenta leggermente, suggerendo un punto di arresto ottimale per il raffinamento.
• Stima della Capacità: Lo stimatore di capacità basato su GMM replica con successo la distribuzione delle capacità reali delle batterie, sebbene l'intervallo di errore possa essere ampio, influenzando le previsioni iniziali.
• Scenari di Trasposizione Temporale: Sono stati testati otto scenari riguardanti la disponibilità di $C$, $SoC_{ta}$ e $SoC_{td}$.
  • Capacità ($C$): Gli errori nella stima della capacità portano a errori sistematici di scalatura nella curva di potenza e influenzano significativamente il bias dei tempi di ricarica e delle metriche energetiche. La conoscenza di $C$ sposta la distribuzione verso la simmetria.
  • Informazioni SoC: Gli errori in $SoC_{ta}$ e $SoC_{td}$ influenzano principalmente l'allineamento temporale (dispersione) della curva di potenza piuttosto che la scalatura.
  • Impatto Combinato: Quando tutte le variabili sono note, l'EMAE mediano per il profilo trasposto temporalmente scende a circa il 45%. Lo studio nota che gli errori si cumulano, ma la capacità è il fattore dominante per il bias, mentre le informazioni sul SoC influenzano principalmente la dispersione della distribuzione dell'errore.
  • Osservazione sul Bias: Il modello mostra una tendenza a sottostimare il tempo di ricarica (errore temporale positivo) nella maggior parte degli scenari.

Significato e Affermazioni
Il documento afferma di colmare una lacuna nella letteratura riguardante la previsione dei profili di ricarica individuali degli EV e, crucialmente, l'analisi della trasposizione temporale in condizioni di informazioni incerte. Gli autori affermano che il loro metodo ibrido fornisce una soluzione computazionalmente efficiente adatta ad applicazioni a orizzonte scorrevole, evitando i pesanti costi computazionali delle architetture di deep learning che richiedono frequenti riaddestramenti.

Lo studio evidenzia che, sebbene la previsione dei profili individuali sia poco esplorata, offre benefici tangibili per la gestione della rete e la pianificazione consapevole della batteria. Tuttavia, gli autori notano con modestia che i benefici di tale previsione granulare possono essere compromessi dalla variabilità dell'estensione delle informazioni disponibili. I risultati suggeriscono che una conoscenza accurata della capacità della batteria è fondamentale per ridurre il bias sistematico, mentre le informazioni sul SoC sono critiche per ridurre la dispersione nelle stime di tempo ed energia. Sono previsti lavori futuri per integrare database più ampi e confrontare il modello con altre baseline all'avanguardia.