Jak Sztuczna Inteligencja Prognozuje Wymagania Ładowania Samochodów Elektrycznych

Dlaczego potrzebne jest prognozowanie wymagania w zakłady ładowania samochodów elektrycznych, a nie tylko jego pomiary

Stacja ładowania samochodów elektrycznych nie pociąga stałą ilość mocy. Wymaganie wzrasta gwałtownie podczas okresów komutatora, spada nocą i wokół świąt publicznych lub lokalnych wydarzeń nagle wzrasta. Dla operatora sieci znana jest ilość energii, którą dany punkt lub grupa punktów będzie potrzebowała w ciągu najbliższej godziny, dnia lub tygodnia, pozwala na zakup mocy elektrycznej za niższą cenę na rynku szlachetnym zamiast płacenia premiowych stawek za balansowanie mocy na ostatnim momencie. Prognozowanie służy również podstawie dwóch innych decyzji: ile baterii akumulatorowej lub miejskiej przechowywania potrzebuje stacja, oraz czy łączność lokalnej sieci ma wystarczającą przepustowość przed tym, jak stanie się bramką. Traktowanie obciążenia ładowania jako problem prognozy zamiast czegoś, co reaguje na to po faktu, stanowi podstawę, na której opiera się reszta linii programowej uczenia maszynowego dla EV.

Ramowanie obciążenia ładowania jako problem serii czasowej

Prawdziwy sygnał za terytorium prognozowania obciążenia to seria czasowa energii zdrawiania (w kWh) na każdej stacji, zgromadzona w wybranym rozdzielczościu, takim jak interwały 15-minutowe lub godzinne. Ta seria przewozi kilka nakładających się wzorów, które model musi odkryć: codzienne cykle oparte na godzinach komunikacyjnych i pracy, tygodniowe cykle, w których weekendy różnią się od poniedziałków, oraz wolniejsze trendy sezonowe związane z temperaturą (mroźszy klimat zmniejsza efektywność baterii i zwiększa częstotliwość ładowania). Na tych regularnych cyklach leży szum spowodowany indywidualnym zachowaniem jazdy i nieprawidłowymi wydarzeniami. Przed trenowaniem modelu, ta struktura zwykle jest uczyniona jasną przez inżynierię cech: opóźnione cechy (obciążenie godzinę temu, dzień temu, tygodniem temu), średnie ruchomowe i odchylenia standardowe ruchomowe, flagi kalendarzowe dla weekendów i świąt oraz zmienne meteorologiczne, takie jak temperatura otoczenia. Przekształcenie niewielkiej serii liczb w tabelę tych zbudowanych cech jest to, co sprawia, że problem jest dozwolony dla standardowych modeli uczenia nadzorowanego, nie tylko specjalistycznych modeli sekwencyjnych.

Gradient boosting jako standardowy model

Jednocześnie jak tylko problem jest wyrażony w formie tabeli uczenia nadzorowanego (cechy wejściowe, wyjście z przyszłej okresowości), drzewobazowe modele gradient boostingu takie jak XGBoost i LightGBM stają się silnym domyślnym wyborem. Zajmują się mieszanką cech numerycznych opóźnień, cyklicznych cech kalendarza oraz zmiennych kategorialnych (np. typ podłącznika lub numer stacji) bez potrzeby skali wejściowej ani detalicznego zaprojektowania architektury, co jest wymagane dla sieci neuronowych. Są również szybko trenowane i łatwe do interpretacji poprzez ważność cech, co ma znaczenie operacyjne: inżynier może sprawdzić, czy model zbyt silnie opiera się na jednej z cech opóźnionych, lub potwierdzić, że temperatura przyczynia się sensownie do prognoz zimowych. Błąd procentowy średnioabsolutny (MAPE) jest naturalnym miernikiem tutaj, ponieważ wyraża błąd prognozy jako procent rzeczywistej wymaganej ilości, co jest łatwe do przekazania nieprzeciwległomu personelowi takemu jak zespoły zakupów energii — wartość MAPE w okolicy 8-12% na danych zatrzymanych to realistyczna cel dla dobrze dostosowanego modelu gradient boostingu w taki rodzaj serii wymagań.

Gdzie sieci rekurencyjne typu LSTM dodają wartość

Sieci typu Long Short-Term Memory (LSTM) podejmują ten sam problem inaczej: zamiast ręcznie projektować cechy opóźnione, po prostu konsumują całą sekwencję bezpośrednio i uczą się wewnętrznych reprezentacji zależności krótkoterminowych i długoterminowych poprzez swoje komórki pamięciowe z przepustkami. To może okazać się korzystne, gdy relacja między przeszłością a przyszłym obciążeniem jest bardziej skomplikowana niż mogłyby to złapać kilka cech opóźnionych, na przykład kiedy zachowanie ładowania w jednym stacjonarzu jest wpływowym na wolno ewoluującą tendencję całościowej sieci regionalnej. W zamian LSTMs wymagają więcej danych, dokładniejszego dostosowywania długości sekwencji i wielkości lotej, a także większej obliczeniowej mocy do treningu niż model boostingu gradientowego. W praktyce błąd często jest zgłaszany w jednostkach bezwzględnych dla tych modeli — srednioskwadratowy błąd pierwiastkowany (RMSE) w kWh — ponieważ to utrzymuje ocenę skorelowaną z fizycznym ilościowym adiamentem prognozowanym (określona wartość RMSE w zakresie około 15 kWh dla serii na poziomie stacji stanowi uzasadniony standard) a nie procent, który może być pociągnięty, gdy rzeczywiste obciążenie jest bliskie zera, np. w nocy.

Zweryfikowanie z tyłu czasu do przystosowalnego prognozowania

Modely serii czasowej nie mogą być zweryfikowane tak, jak to się robi dla typowego klasyfikatora, dzieląc losowo dane na zestaw treningowy i testowy. To pozwoliłoby modelowi zobaczyć przyszłość podczas prognozowania przeszłości. Zamiast tego, pipeline prognoz używa walidacji wiodącej (przewijanej źródła): model jest treningowany na danych do pewnego punktu czasu, testowany na okres natychmiastowy po nim, a następnie okno treningowe przesuwane jest i proces powtarza się. To symuluje, jak model będzie rzeczywistnie używany w produkcyjnej siedzibie i daje znacznie bardziej szczerą ocenę dokładności w świecie rzeczywistym niż pojedyncze statyczne podziały. Po zweryfikowaniu, model prognozowy jest zazwyczaj opakowany za API (stworzone przy użyciu ramki, takiej jak FastAPI) i konteneryzowany za pomocą Docker, aby mógł być zapytany na regularnej podstawie — np. generowanie przewijanej prognozy 24-godzinnej lub 7-dniowej co godzinę, gdy nowe telemetryum dotrze, z narzędziami śledzenia eksperymentów, takimi jak MLflow, które zachowują rekord wersji modelu i zestawów cech wykorzystanych do tworzenia prognozy.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz How Machine Learning Forecasts Electric Vehicle Charging Demand i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.