Sintesi Tecnica: Reti Neurali a Grafo Arricchite dal Contesto per la Previsione della Domanda Energetica delle Stazioni di Ricarica EV

1. Definizione del Problema

La rapida proliferazione dei veicoli elettrici (EV) ha intensificato la domanda di infrastrutture di ricarica, esercitando una pressione significativa sulle reti elettriche e creando sfide per la stabilità della rete e la mobilità urbana sostenibile. Una previsione accurata della domanda energetica è fondamentale per gli Operatori di Stazioni di Ricarica (CSO) per bilanciare offerta e domanda, gestire il carico della rete e pianificare l'espansione delle infrastrutture.

Tuttavia, gli esistenti metodi di previsione affrontano due limitazioni primarie:

1. Negligenza delle Dipendenze Spaziali: Molti approcci trattano le stazioni di ricarica come entità isolate, fallendo nel catturare le interdipendenze spaziali dove la domanda di una stazione influenza o è influenzata dalle stazioni vicine e dall'ambiente urbano circostante.
2. Sfruttamento Insufficiente di Dati Eterogenei: Gli attuali modelli spesso sottoutilizzano i dati contestuali urbani, come le distribuzioni dei Punti di Interesse (POI) e la densità di popolazione, che sono driver cruciali del comportamento di ricarica.

Di conseguenza, è necessario un framework che modelli congiuntamente la dinamica temporale e le correlazioni spaziali, integrando al contempo diverse caratteristiche contestuali per migliorare l'accuratezza della previsione e la generalizzabilità in diversi contesti geografici.

2. Metodologia

Gli autori propongono un framework di Rete Neurale a Grafo Spazio-Temporale (STGNN) progettato per la previsione della domanda energetica a livello di stazione con un anticipo di un giorno (day-ahead). La metodologia integra fonti di dati eterogenei in un grafo spaziale statico per modellare pattern energetici complessi.

2.1. Costruzione e Rappresentazione del Grafo

• Nodi: Ogni nodo rappresenta una specifica Stazione di Ricarica per Veicoli Elettrici (EVCS).
• Archi (Edges): Un grafo spaziale statico viene costruito dove gli archi codificano le relazioni tra le stazioni. Queste relazioni sono definite da:
  • Prossimità Fisica: Derivata dalla connettività della rete stradale (tempo/distanza di percorrenza sul percorso più breve).
  • Prossimità Funzionale: Riflette le correlazioni nella domanda tra stazioni che servono ruoli urbani simili, anche se non geograficamente adiacenti.
• Caratteristiche dei Nodi (Node Features): Ogni nodo è arricchito con un vettore di caratteristiche eterogenee, che includono:
  • Profili di Carico Storici: Consumo energetico ritardato (1, 3, 7 giorni) e statistiche mobili (media, deviazione standard).
  • Dati Urbani Contestuali: Distribuzioni di POI (es. parcheggi, residenze, uffici, tipologie stradali) estratte da OpenStreetMap e densità di popolazione.
  • Indicatori Temporali: Giorno della settimana, mese, indicatori di festività e flag di picco d'uso.
  • Dati di Sessione: Conteggio delle sessioni e durate ritardate.

2.2. Framework di Previsione

Il framework utilizza un meccanismo a finestra scorrevole (sliding-window) per elaborare le sequenze temporali.

• Input: Una sequenza di osservazioni storiche ($w$ passi temporali) per tutti i $N$ nodi, rappresentata come $X_{t-w+1:t} \in \mathbb{R}^{w \times N \times F}$.
• Elaborazione: Il modello utilizza meccanismi di passaggio di messaggi (message-passing) per propagare le informazioni tra le stazioni collegate, permettendo a ciascuna stazione di scambiare iterativamente informazioni con i propri vicini. Ciò cattura come le fluttuazioni della domanda locale influenzino i nodi circostanti.
• Output: Il modello prevede il consumo energetico per il passo temporale successivo (day-ahead) per tutte le stazioni simultaneamente.

2.3. Architetture del Modello

Lo studio confronta sistematicamente quattro architetture STGNN avanzate contro baseline puramente temporali (LSTM e GRU):

1. MTGNN (Multivariate Time Graph Neural Network): Integra convoluzioni temporali con l'apprendimento di una struttura a grafo adattiva per gestire dati di serie temporali multivariate.
2. ASTGCN (Attention-Based Spatio-Temporal Graph Convolutional Network): Applica meccanismi di attenzione spaziale e temporale per catturare dipendenze dinamiche.
3. STConv (Spatio-Temporal Convolutional Network): Modella efficientemente i pattern temporali locali utilizzando convoluzioni su grafo.
4. A3TGCN (Attention Temporal Graph Convolutional Network): Combina unità temporali a porta (gated temporal units) con meccanismi di attenzione per l'apprendimento di sequenze.

2.4. Pre-elaborazione dei Dati

• Dataset: Sono stati utilizzati due dataset geograficamente diversificati:
  • Palo Alto, USA: Un dataset urbano (46 stazioni, 2018–2020).
  • Yonne, Francia: Un dataset semi-rurale (133 stazioni, 2021–2022).
• Riduzione del Rumore: È stata applicata la Media Mobile Esponenziale (EMA) per smussare i dati rumorosi e ridurre l'impatto delle anomalie transitorie, preservando al contempo i trend sottostanti.
• Pulizia dei Dati: Gli outlier sono stati corretti e i dati relativi al periodo della pandemia di COVID-19 (caratterizzato da un uso atipico) sono stati esclusi per garantire l'addestramento su schemi operativi regolari.

3. Contributi Chiave

Il documento delinea tre contributi primari:

1. Un Nuovo Framework di Previsione: La proposta di un framework di previsione a livello di stazione, con un anticipo di un giorno, utilizzando architetture STGNN avanzate (MTGNN, ASTGCN, STConv, A3TGCN) che modella esplicitamente sia l'evoluzione temporale che le interdipendenze spaziali.
2. Fusione di Dati Arricchiti dal Contesto: L'integrazione di dati multi-fonte, inclusi le relazioni spaziali, l'utilizzo storico e le caratteristiche urbane contestuali (POI, densità di popolazione), nei vettori delle caratteristiche dei nodi. Questo approccio cattura le fluttuazioni della domanda modellate dalla connettività spaziale, dal comportamento degli utenti e dai fattori demografici.
3. Valutazione Esaustiva: Una valutazione rigorosa su due dataset contrastanti (urbano vs semi-rurale) confrontando le STGNN con le consolidate baseline temporali (LSTM, GRU) utilizzando molteplici metriche (RMSE, MAE, MSE, $R^2$).

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sui dataset di Palo Alto e Yonne con una suddivisione 60/20/20 per training/validazione/test.

4.1. Metriche di Performance

• Dataset Palo Alto (Urbano):
  • Miglior Modello: MTGNN ha ottenuto l'RMSE di test più basso (8.32) e il valore $R^2$ più alto (0.86), superando LSTM (RMSE 10.65) e GRU (RMSE 11.31).
  • Efficienza: MTGNN ha dimostrato un'alta efficienza computazionale con un tempo di esecuzione di 0.12 minuti.
• Dataset Yonne (Semi-Rurale):
  • Miglior Modello: ASTGCN e MTGNN si sono pareggiati per accuratezza, ottenendo entrambi un $R^2$ di 0.86. ASTGCN ha ottenuto un RMSE di test leggermente inferiore (15.16) rispetto a MTGNN (15.54).
  • Confronto con le Baseline: Entrambe le STGNN hanno superato significativamente LSTM (RMSE 18.24) e GRU (RMSE 20.36).
  • Tempo di Esecuzione: MTGNN (1.39 min) e ASTGCN (2.14 min) sono stati significativamente più veloci delle baseline (LSTM: 73.03 min; GRU: 109.39 min).

4.2. Analisi

• Dipendenza Spaziale: La performance superiore dei modelli basati su grafi rispetto a LSTM e GRU conferma che catturare le correlazioni spaziali tra le stazioni è critico per una previsione accurata.
• Specifiche del Modello:
  • MTGNN si è dimostrato robusto in entrambi i dataset, particolarmente efficace nel gestire dati di serie temporali multivariate e nell'offrire il miglior equilibrio tra accuratezza e velocità nell'ambiente urbano.
  • ASTGCN ha eccelso nell'ambiente semi-rurale, sfruttando i suoi meccanismi di attenzione per modellare complesse dipendenze spazio-temporali.
  • STConv ha mostrato un'accuratezza competitiva ma ha sofferto di un elevato overhead computazionale (es. ~58 minuti per Palo Alto).
  • A3TGCN ha offerto il tempo di esecuzione più veloce ma ha avuto difficoltà con la generalizzazione in scenari ad alta variabilità, risultando in punteggi $R^2$ inferiori.

5. Significato e Rivendicazioni

Il documento afferma che la modellazione spazio-temporale basata su grafi consente una previsione delle EVCS accurata, efficiente e generalizzabile in diversi contesti urbani. Integrando dati urbani eterogenei (POI, popolazione) con i profili di carico storici, il framework proposto affronta le limitazioni dei metodi esistenti che trascurano le dipendenze spaziali.

Lo studio enfatizza la riproducibilità e l'adattabilità in contesti urbani eterogenei con requisiti di dati ridotti, rendendolo praticamente applicabile per la pianificazione delle infrastrutture e la coordinazione della rete. I risultati dimostrano che le STGNN, in particolare MTGNN e ASTGCN, forniscono una base robusta per gestire la domanda energetica del trasporto elettrificato, offrendo un miglioramento significativo rispetto ai modelli tradizionali puramente temporali.

Direzioni Future: Gli autori suggeriscono che il lavoro futuro dovrebbe concentrarsi su:

• L'integrazione di informazioni sul traffico in tempo reale.
• Il perfezionamento dell'ottimizzazione tramite apprendimento per rinforzo (reinforcement learning).
• L'applicazione del transfer learning per adattare i modelli da regioni ricche di dati a contesti con scarsità di dati (es. mercati emergenti).
• L'utilizzo del meta-learning per un rapido adattamento del modello a nuove stazioni o a condizioni di domanda in evoluzione.