Technische Samenvatting: Context-verrijkte Graph Neural Networks voor het voorspellen van de energievraag bij laadpalen voor elektrische voertuigen

1. Probleemstelling

De snelle proliferatie van elektrische voertuigen (EV's) heeft de vraag naar laadinfrastructuur geïntensiveerd, wat een aanzienlijke druk legt op elektriciteitsnetten en uitdagingen creëert voor de stabiliteit van het net en duurzame stedelijke mobiliteit. Nauwkeurige voorspelling van de energievraag is cruciaal voor exploitanten van laadstations (Charging Station Operators, CSO's) om vraag en aanbod in balans te houden, de belasting van het elektriciteitsnet te beheren en de uitbreiding van de infrastructuur te plannen.

Huidige voorspellingsmethoden kampen echter met twee primaire beperkingen:

1. Verwaarlozing van ruimtelijke afhankelijkheden: Veel benaderingen behandelen laadstations als geïsoleerde entiteiten, waarbij ze er niet in slagen de ruimtelijke onderlinge afhankelijkheden te vatten waarbij de vraag bij één station wordt beïnvloed door of invloed heeft op naburige stations en de omliggende stedelijke omgeving.
2. Onvoldoende exploitatie van heterogene data: Huidige modellen maken vaak onvoldoende gebruik van contextuele stedelijke data, zoals de distributie van Points-of-Interest (POI's) en bevolkingsdichtheid, die cruciale drijfveren zijn voor het laadgedrag.

Er is daarom behoefte aan een framework dat zowel temporele dynamiek als ruimtelijke correlaties gezamenlijk modelleert, terwijl diverse contextuele kenmerken worden geïntegreerd om de nauwkeurigheid van voorspellingen en de generaliseerbaarheid in verschillende geografische omgevingen te verbeteren.

2. Methodologie

De auteurs stellen een Spatio-Temporal Graph Neural Network (STGNN) framework voor, ontworpen voor de dagelijkse voorspelling van de energievraag op stationniveau. De methodologie integreert heterogene databronnen in een statische ruimtelijke graaf om complexe energietrends te modelleren.

2.1. Graafconstructie en Representatie

• Nodes (Knopen): Elke knoop vertegenwoordigt een specifiek laadstation voor elektrische voertuigen (EVCS).
• Edges (Verbindingen): Een statische ruimtelijke graaf wordt geconstrueerd waarbij de verbindingen de relaties tussen stations coderen. Deze relaties worden gedefinieerd door:
  • Fysieke Nabijheid: Afgeleid van de connectiviteit van het wegennetwerk (kortste pad reistijd/afstand).
  • Functionele Nabijheid: Het reflecteren van correlaties in de vraag tussen stations die vergelijkbare stedelijke rollen dienen, zelfs als deze niet geografisch aangrenzend zijn.
• Node Features (Kenmerken van de knoop): Elke knoop wordt verrijkt met een vector van heterogene kenmerken, waaronder:
  • Historische Bellettingsprofielen: Vertraagde energieconsumptie (1, 3, 7 dagen) en voortschrijdende statistieken (gemiddelde, standaarddeviatie).
  • Contextuele Stedelijke Data: POI-distributies (bijv. parkeren, residentieel, kantoor, wegtypen) geëxtraheerd uit OpenStreetMap en bevolkingsdichtheid.
  • Temporele Indicatoren: Dag van de week, maand, feestdagindicatoren en piekbruik-vlaggen.
  • Sessiegegevens: Vertraagde sessie-aantallen en duur.

2.2. Voorspellingsframework

Het framework maakt gebruik van een sliding-window mechanisme om temporele sequenties te verwerken.

• Input: Een sequentie van historische observaties ($w$ tijdstappen) voor alle $N$ knopen, gerepresenteerd als $X_{t-w+1:t} \in \mathbb{R}^{w \times N \times F}$.
• Verwerking: Het model maakt gebruik van message-passing mechanismen om informatie tussen verbonden stations te propageren, waardoor elke knoop iteratief informatie kan uitwisselen met zijn buren. Dit vangt hoe lokale schommelingen in de vraag naburige knopen beïnvloeden.
• Output: Het model voorspelt het energieverbruik voor de volgende tijdstap (dag-vooruit) voor alle stations gelijktijdig.

2.3. Modelarchitecturen

De studie benchmarkt systematisch vier geavanceerde STGNN-architecturen tegenover enkel temporele baselines (LSTM en GRU):

1. MTGNN (Multivariate Time Graph Neural Network): Integreert temporele convoluties met adaptief graafstructuurleren om multivariate tijdreeksgegevens te verwerken.
2. ASTGCN (Attention-Based Spatio-Temporal Graph Convolutional Network): Past ruimtelijke en temporele aandachtmechanismen toe om dynamische afhankelijkheden te vangen.
3. STConv (Spatio-Temporal Convolutional Network): Modelleert efficiënt lokale temporele patronen met behulp van graafconvoluties.
4. A3TGCN (Attention Temporal Graph Convolutional Network): Combineert gated temporele eenheden met aandachtmechanismen voor sequentieleerprocessen.

2.4. Datapreprocessing

• Datasets: Twee geografisch diverse datasets werden gebruikt:
  • Palo Alto, VS: Een stedelijke dataset (46 stations, 2018–2020).
  • Yonne, Frankrijk: Een semi-rurale dataset (133 stations, 2021–2022).
• Ruisreductie: Een Exponential Moving Average (EMA) werd toegepast om ruisige data te verzachten en de impact van transiënte anomalieën te verminderen, terwijl de onderliggende trends behouden bleven.
• Data Cleaning: Uitschieters werden gecorrigeerd en gegevens uit de COVID-19 pandemieperiode (gekenmerkt door atypisch gebruik) werden uitgesloten om te zorgen dat de training plaatsvond op reguliere operationele patronen.

3. Belangrijkste Bijdragen

Het artikel beschrijft drie primaire bijdragen:

1. Een Nieuw Voorspellingsframework: De voorstel van een station-niveau, dag-vooruit voorspellingsframework met geavanceerde STGNN-architecturen (MTGNN, ASTGCN, STConv, A3TGCN) die expliciet zowel de temporele evolutie als de ruimtelijke onderlinge afhankelijkheden modelleren.
2. Context-verrijkte Datafusie: De integratie van multi-source data, inclusief ruimtelijke relaties, historisch gebruik en contextuele stedelijke kenmerken (POI's, bevolkingsdichtheid), in node feature vectoren. Deze aanpak vangt schommelingen in de vraag die gevormd worden door ruimtelijke connectiviteit, gebruikersgedrag en demografische factoren.
3. Uitgebreide Evaluatie: Een rigoureuze evaluatie over twee contrasterende real-world datasets (stedelijk versus semi-ruraal) waarbij STGNN's worden vergeleken met gevestigde temporele baselines (LSTM, GRU) met behulp van meerdere metrieken (RMSE, MAE, MSE, $R^2$).

4. Experimentele Resultaten

Experimenten werden uitgevoerd op de Palo Alto en Yonne datasets met een 60/20/20 train/validatie/test split.

4.1. Prestatie-metrieken

• Palo Alto Dataset (Stedelijk):
  • Beste Model: MTGNN behaalde de laagste test RMSE (8.32) en de hoogste $R^2$ (0.86), waarmee het LSTM (RMSE 10.65) en GRU (RMSE 11.31) versloeg.
  • Efficiëntie: MTGNN demonstreerde een hoge computationele efficiëntie met een executietijd van 0.12 minuten.
• Yonne Dataset (Semi-Ruraal):
  • Beste Model: ASTGCN en MTGNN eindigden gelijk qua nauwkeurigheid, beide met een $R^2$ van 0.86. ASTGCN behaalde een iets lagere test RMSE (15.16) vergeleken met MTGNN (15.54).
  • Baseline Vergelijking: Beide STGNN's presteerden significant beter dan LSTM (RMSE 18.24) en GRU (RMSE 20.36).
  • Executietijd: MTGNN (1.39 min) en ASTGCN (2.14 min) waren aanzienlijk sneller dan de baselines (LSTM: 73.03 min; GRU: 109.39 min).

4.2. Analyse

• Ruimtelijke Afhankelijkheid: De superieure prestaties van graafgebaseerde modellen ten opzichte van LSTM en GRU bevestigen dat het vastleggen van ruimtelijke correlaties tussen stations cruciaal is voor nauwkeurige voorspellingen.
• Model-specifieke details:
  • MTGNN bleek robuust over beide datasets, vooral effectief in het verwerken van multivariate tijdreeksen en bood het beste evenwicht tussen nauwkeurigheid en snelheid in de stedelijke omgeving.
  • ASTGCN excelleerde in de semi-rurale setting door zijn aandachtmechanismen te gebruiken om complexe ruimtelijke-temporele afhankelijkheden te modelleren.
  • STConv toonde een concurrerende nauwkeurigheid maar leed onder een hoge computationele overhead (bijv. ~58 minuten voor Palo Alto).
  • A3TGCN bood de snelste executietijd maar had moeite met generalisatie in scenario's met een hoge variabiliteit, wat resulteerde in lagere $R^2$-scores.

5. Betekenis en Claims

Het artikel claimt dat graafgebaseerde spatio-temporele modellering nauwkeurige, efficiënte en generaliseerbare EVCS-voorspellingen mogelijk maakt in diverse stedelijke omgevingen. Door heterogene stedelijke data (POI's, bevolking) te integreren met historische bellettingsprofielen, pakt het voorgestelde framework de beperkingen aan van bestaande methoden die ruimtelijke afhankelijkheden verwaarlozen.

De studie benadrukt de reproduceerbaarheid en aanpasbaarheid in heterogene stedelijke contexten met gereduceerde datavereisten, wat het praktisch toepasbaar maakt voor infrastructuurplanning en netcoördinatie. De resultaten laten zien dat STGNN's, in het bijzonder MTGNN en ASTGCN, een robuuste basis bieden voor het beheren van de energiebehoeften van geëlektrificeerd transport, wat een significante verbetering is ten opzichte van traditionele, enkel temporele modellen.

Toekomstige Richtingen: De auteurs suggereren dat toekomstig werk zich moet richten op:

• Het integreren van real-time verkeersinformatie.
• Het verfijnen van optimalisatie met behulp van reinforcement learning.
• Het toepassen van transfer learning om modellen te adapteren van datarijke regio's naar gebieden met weinig data (bijv. opkomende markten).
• Het benutten van meta-learning voor snelle modeladaptatie aan nieuwe stations of evoluerende vraagcondities.