Electric Vehicle Charging Profile Forecasting Using Hybrid Models

Technische Samenvatting: Voorspelling van Laadprofielen voor Elektrische Voertuigen met Hybride Modellen

Probleemstelling
De snelle uitbreiding van de adoptie van elektrische voertuigen (EV's) en snellaadstations (FCS) vereist nauwkeurige voorspellingen van de energievraag. Hoewel de literatuur uitgebreid ingaat op voorspelling van de geaggregeerde vraag, blijft de voorspelling van individuele EV-laadprofielen onderbelicht. Nauwkeurige individuele profielen zijn cruciaal voor batterijbewuste planning, gedetailleerde updates van stationniveaugerichte voorspellingen en het schatten van vertrektijden. Echter, bestaande aanpakken staan voor uitdagingen zoals het ontbreken van gedetailleerde publieke datasets, afhankelijkheid van proprietaire Battery Management Systemen (BMS) en de rekenkrachtdemands van deep learning-modellen. Bovendien bestaat er een aanzienlijke kloof in "tijds-transpositie"—de transformatie van een vermogen-tegen-State-of-Charge (SoC)-profiel naar een vermogen-tijd-curve. Deze transformatie is afhankelijk van informatie (aankomst-/vertrek-SoC, vertrektijd, batterijcapaciteit) die vaak onbekend of geschat is voordat de aansluiting plaatsvindt, wat de voorspellingnauwkeurigheid potentieel in gevaar brengt.

Methodologie
De auteurs stellen een hybride, lichtgewicht voorspellingstool voor die bestaat uit twee distincte instanties om laadprofielen te schatten voor en tijdens het laadproces. Het model maakt gebruik van een publieke dataset van 1.878 laadsessies op niveau 3 (L3) FCS van de École Polytechnique Fédérale de Lausanne (DESL), aangevuld met omgevings temperatuurdata.

1. Geschatte Schatting (Voor Aansluiting):

   • Doel: Een eerste schatting van het laadprofiel (Vermogen vs. SoC) genereren voordat de EV aansluit.
   • Kenmerken: Het model maakt gebruik van batterijcapaciteit ($C$) en omgevingstemperatuur bij aankomst ($T_{ta}$).
   • Capaciteitsschatting: Aangezien de werkelijke capaciteit mogelijk onbekend is, wordt een univariate Gaussische Mixture Model (GMM) met K-voudige Cross-Validation (CV) ingezet om $C$ te schatten op basis van historische verdelingen.
   • Profielvoorspelling: Een Random Forest (RF) regressor voorspelt het volledige laadprofiel ($CP_{ta}$) dat SoC afbeeldt op Vermogen. De trainingsdata wordt geconstrueerd via SoC-gebaseerde interpolatie van historische sessies, uitgebreid via constante extrapolatie om een representatie met vaste lengte te garanderen.
   • SoC/Tijdvoorspelling: Om tijds-transpositie te hanteren, voorspellen op basis van GMM modellen (geoptimaliseerd per uur van de dag) de aankomst- en vertrek-SoC ($SoC_{ta}$, $SoC_{td}$).

2. Geschatte Schatting (Na Aansluiting):

   • Doel: Het profiel continu verfijnen tijdens de laadsessie met behulp van een rolling-horizon framework.
   • Methode: Een lichtgewicht statistische aanpak gebaseerd op Euclidische afstanden wordt gebruikt. Op elk tijdstip $t_i$ construeert het model een invoervector die de batterijcapaciteit en de gerealiseerde vermogensgeschiedenis tot $t_i$ bevat. Dit wordt vergeleken met een matrix van historische realisaties om de dichtstbijzijnde match ($j^*$) te vinden en de voorspelling te updaten met behulp van het corresponderende historische profielsegment.

3. Tijds-transpositie:

   • Het model converteert het op SoC gebaseerde profiel naar een op tijd gebaseerde curve met behulp van een eenvoudig EV-surrogaatmodel. Dit proces wordt geëvalueerd onder variërende niveaus van informatiebeschikbaarheid (bekende versus geschatte $C$, $SoC_{ta}$ en $SoC_{td}$).

Belangrijkste Bijdragen

1. Hybride Voorspellingstool: Het artikel schetst een uitgebreide tool die een supervised learning-aanpak (RF) combineert voor initiële profielschatting en een statistische op afstand gebaseerde methode voor real-time verfijning.
2. Kwantificering van Nauwkeurigheid: De studie kwantificeert de voorspellingnauwkeurigheid van het model en toont verbeteringen aan door middel van sequentiële updates.
3. Analyse van Informatie-impact: De auteurs voeren een ablatie-achtige analyse uit om de specifieke impact van informatiebeschikbaarheid (capaciteit, aankomst-SoC, vertrek-SoC) op de tijds-transpositie van het laadprofiel te identificeren.

Resultaten

• Voorspellingprestaties: De sequentiële verfijning verbetert de nauwkeurigheid aanzienlijk. De mediane Envelope-weighted Mean Absolute Error (EMAE) voor de voorspelling voor aansluiting (met geschatte capaciteit) is ongeveer 40%. Na de updates na aansluiting daalt de mediane EMAE tot ongeveer 16% tegen de 10e iteratie. Na 10 iteraties stabiliseert de fout of neemt deze licht toe, wat wijst op een optimaal stoppunt voor verfijning.
• Capaciteitsschatting: De op GMM gebaseerde capaciteitsschatting slaagt erin de verdeling van echte batterijcapaciteiten te repliceren, hoewel het foutenbereik breed kan zijn, wat van invloed is op initiële voorspellingen.
• Tijds-transpositie Scenario's: Acht scenario's werden getest met betrekking tot de beschikbaarheid van $C$, $SoC_{ta}$ en $SoC_{td}$.
  • Capaciteit ($C$): Fouten in capaciteitsschatting leiden tot systematische schalingfouten in de vermogenscurve en beïnvloeden significant de bias van laadtijd- en energiemetingen. Het kennen van $C$ verschuift de verdeling naar symmetrie.
  • SoC-informatie: Fouten in $SoC_{ta}$ en $SoC_{td}$ beïnvloeden voornamelijk de temporele uitlijning (dispersie) van de vermogenscurve in plaats van de schaling.
  • Gecombineerde Impact: Wanneer alle variabelen bekend zijn, daalt de mediane EMAE voor het tijds-getransponeerde profiel tot ongeveer 45%. De studie merkt op dat fouten zich opstapelen, maar capaciteit is de dominante factor voor bias, terwijl SoC-informatie voornamelijk invloed heeft op de spreiding van de foutenverdeling.
  • Bias Observatie: Het model vertoont een neiging om de laadtijd te onderschatten (positieve tijdfout) in de meeste scenario's.

Betekenis en Claims
Het artikel claimt een gat in de literatuur te vullen betreffende voorspelling van individuele EV-laadprofielen en, cruciaal, de analyse van tijds-transpositie onder onzekere informatievoorwaarden. De auteurs stellen dat hun hybride methode een rekenkundig efficiënte oplossing biedt die geschikt is voor rolling-horizon toepassingen, waarbij de zware rekenkosten van deep learning-architecturen die frequente hertraining vereisen, worden vermeden.

De studie benadrukt dat hoewel voorspelling van individuele profielen onderbelicht is, het tastbare voordelen biedt voor netmanagement en batterijbewuste planning. Echter, de auteurs merken bescheiden op dat de voordelen van dergelijke gedetailleerde voorspelling in gevaar kunnen worden gebracht door de variabele omvang van beschikbare informatie. De resultaten suggereren dat nauwkeurige kennis van batterijcapaciteit van het grootste belang is voor het verminderen van systematische bias, terwijl SoC-informatie cruciaal is voor het verminderen van dispersie in tijd- en energieschattingen. Toekomstig werk is gepland om bredere databases te integreren en het model te benchmarken tegen andere state-of-the-art baselines.