Transformer de fusión multiescala para la predicción de carga de estaciones de carga de vehículos eléctricos

Área de la Ciencia:

• Ingeniería Eléctrica
• Inteligencia Artificial
• Ciencia de Datos

Sus antecedentes:

• La predicción de la carga de carga de vehículos eléctricos es esencial para la estabilidad de la red eléctrica y la optimización de la infraestructura.
• Los desafíos incluyen la naturaleza impredecible de la carga y las influencias externas como el clima y el tráfico.

Objetivo del estudio:

• Desarrollar una arquitectura novedosa basada en Transformer para la predicción precisa de la carga de estaciones de carga de vehículos eléctricos.
• Mejorar la predicción integrando el modelado temporal multiescala y el análisis de características externas.

Principales métodos:

• Se propuso el modelo Multi-scale Fusion Transformer (MFT).
• Se integró un Mecanismo de Modelado Multiescala (3M) para dependencias temporales.
• Se empleó un Módulo de Análisis de Correlación de Características (FAM) para factores externos (clima, tráfico).
• Se utilizó un Módulo de Fusión Multivariable (MFM) con atención cruzada para la fusión dinámica de características.

Principales resultados:

• El MFT superó significativamente a los modelos de referencia tanto en la predicción de carga a corto como a largo plazo.
• Se logró una mejora de rendimiento promedio de hasta el 25,59%, lo que demuestra una precisión y estabilidad superiores.
• Validado utilizando datos del mundo real de Noruega.

Conclusiones:

• El modelo MFT captura eficazmente patrones de carga complejos, multiescala y influenciados externamente.
• Ofrece una solución robusta para la programación inteligente de la red y la gestión de la energía en la era de la adopción generalizada de vehículos eléctricos.