Electric Vehicle Charging Profile Forecasting Using Hybrid Models

Resumo Técnico: Previsão de Perfis de Carregamento de Veículos Elétricos Utilizando Modelos Híbridos

Declaração do Problema
A rápida expansão da adoção de Veículos Elétricos (VE) e de Estações de Carregamento Rápido (ECR) torna necessária a previsão precisa da demanda de energia. Embora a literatura cubra extensivamente a previsão de demanda agregada, a previsão de perfis individuais de carregamento de VEs permanece pouco explorada. Perfis individuais precisos são críticos para o agendamento consciente da bateria, atualizações granulares de previsões no nível da estação e estimativa de horários de partida. No entanto, as abordagens existentes enfrentam desafios relacionados à falta de conjuntos de dados públicos granulares, dependência de Sistemas de Gerenciamento de Baterias (BMS) proprietários e às demandas computacionais de modelos de aprendizado profundo. Além disso, existe uma lacuna significativa na "transposição temporal"—a transformação de um perfil de potência versus Estado de Carga (SoC) em uma curva de potência versus tempo. Essa transformação depende de informações (SoC de chegada/departura, horário de partida, capacidade da bateria) que frequentemente são desconhecidas ou estimadas antes da conexão, potencialmente comprometendo a precisão da previsão.

Metodologia
Os autores propõem uma ferramenta de previsão híbrida e leve, composta por duas instâncias distintas para estimar perfis de carregamento antes e durante o processo de carregamento. O modelo utiliza um conjunto de dados público de 1.878 sessões de carregamento em ECRs de Nível 3 (L3) da École Polytechnique Fédérale de Lausanne (DESL), acrescido de dados de temperatura ambiente.

1. Estimativa Desconectada (Pré-Conexão):

   • Objetivo: Gerar uma estimativa inicial do perfil de carregamento (Potência vs. SoC) antes que o VE se conecte.
   • Características: O modelo utiliza a capacidade da bateria ($C$) e a temperatura ambiente na chegada ($T_{ta}$).
   • Estimativa de Capacidade: Como a capacidade real pode ser desconhecida, emprega-se um Modelo de Mistura Gaussiana Univariable (GMM) com Validação Cruzada K-fold (CV) para estimar $C$ com base em distribuições históricas.
   • Previsão de Perfil: Um regressor de Floresta Aleatória (RF) prevê o perfil completo de carregamento ($CP_{ta}$), mapeando SoC para Potência. Os dados de treinamento são construídos via interpolação baseada em SoC de sessões históricas, estendidos por extrapolação constante para garantir uma representação de comprimento fixo.
   • Previsão de SoC/Tempo: Para lidar com a transposição temporal, modelos baseados em GMM (otimizados por hora do dia) preveem o SoC de chegada e de partida ($SoC_{ta}$, $SoC_{td}$).

2. Estimativa Conectada (Pós-Conexão):

   • Objetivo: Refinar continuamente o perfil durante a sessão de carregamento usando uma estrutura de horizonte rolante.
   • Método: Uma abordagem estatística leve baseada em distâncias euclidianas é utilizada. Em cada passo de tempo $t_i$, o modelo constrói um vetor de entrada contendo a capacidade da bateria e o histórico de potência realizado até $t_i$. Compara-se isso com uma matriz de realizações históricas para encontrar a correspondência mais próxima ($j^*$) e atualiza-se a previsão usando o segmento de perfil histórico correspondente.

3. Transposição Temporal:

   • O modelo converte o perfil baseado em SoC em uma curva baseada no tempo usando um modelo substituto simples de VE. Esse processo é avaliado sob diferentes níveis de disponibilidade de informações (capacidade $C$, $SoC_{ta}$ e $SoC_{td}$ conhecidas vs. estimadas).

Principais Contribuições

1. Ferramenta de Previsão Híbrida: O artigo descreve uma ferramenta abrangente que combina uma abordagem de aprendizado supervisionado (RF) para estimativa inicial de perfil e um método baseado em distância estatística para refinamento em tempo real.
2. Quantificação de Precisão: O estudo quantifica a precisão da previsão do modelo, demonstrando melhorias através de atualizações sequenciais.
3. Análise de Impacto da Informação: Os autores realizam uma análise semelhante à ablação para identificar o impacto específico da disponibilidade de informações (capacidade, SoC de chegada, SoC de partida) na transposição temporal do perfil de carregamento.

Resultados

• Desempenho de Previsão: O refinamento sequencial melhora significativamente a precisão. O Erro Absoluto Médio Ponderado pelo Envelope (EMAE) mediano para a previsão desconectada (com capacidade estimada) é de aproximadamente 40%. Após as atualizações conectadas, o EMAE mediano cai para cerca de 16% na 10ª iteração. Além de 10 iterações, o erro estabiliza ou aumenta ligeiramente, sugerindo um ponto ótimo de parada para o refinamento.
• Estimativa de Capacidade: O estimador de capacidade baseado em GMM replica com sucesso a distribuição das capacidades reais de baterias, embora a faixa de erro possa ser ampla, impactando as previsões iniciais.
• Cenários de Transposição Temporal: Oito cenários foram testados quanto à disponibilidade de $C$, $SoC_{ta}$ e $SoC_{td}$.
  • Capacidade ($C$): Erros na estimativa de capacidade levam a erros sistemáticos de escala na curva de potência e afetam significativamente o viés das métricas de tempo de carregamento e energia. Conhecer $C$ desloca a distribuição em direção à simetria.
  • Informação de SoC: Erros em $SoC_{ta}$ e $SoC_{td}$ afetam principalmente o alinhamento temporal (dispersão) da curva de potência, em vez da escala.
  • Impacto Combinado: Quando todas as variáveis são conhecidas, o EMAE mediano para o perfil com transposição temporal cai para cerca de 45%. O estudo observa que os erros se acumulam, mas a capacidade é o fator dominante para o viés, enquanto a informação de SoC influencia principalmente a dispersão da distribuição de erro.
  • Observação de Viés: O modelo exibe uma tendência a subestimar o tempo de carregamento (erro de tempo positivo) na maioria dos cenários.

Significado e Alegações
O artigo afirma preencher uma lacuna na literatura sobre previsão de perfis individuais de carregamento de VEs e, crucialmente, a análise de transposição temporal sob condições de informação incerta. Os autores afirmam que seu método híbrido fornece uma solução computacionalmente eficiente adequada para aplicações de horizonte rolante, evitando os altos custos computacionais de arquiteturas de aprendizado profundo que exigem retreinamento frequente.

O estudo destaca que, embora a previsão de perfis individuais seja pouco explorada, ela oferece benefícios tangíveis para a gestão da rede e agendamento consciente da bateria. No entanto, os autores observam modestamente que os benefícios de tal previsão granular podem ser comprometidos pela variabilidade na extensão das informações disponíveis. Os resultados sugerem que o conhecimento preciso da capacidade da bateria é primordial para reduzir o viés sistemático, enquanto a informação de SoC é crítica para reduzir a dispersão nas estimativas de tempo e energia. Trabalhos futuros estão planejados para integrar bases de dados mais amplas e comparar o modelo com outras bases de referência de última geração.