نمذجة وتحليل استهلاك الطاقة في محطات شحن السيارات الكهربائية باستخدام تقنيات التعلم الآلي

أدى التوسع السريع في اعتماد السيارات الكهربائية (EV) إلى تقديم تحديات كبيرة في إدارة الطلب على الطاقة والتخطيط للبنية التحتية لمحطات الشحن._patterns غير القابلة للتنبؤ واستخدام محدود للتحكم في الوقت الحقيقي تعيق كفاءة وقابلية توسيع شبكات شحن السيارات الكهربائية. وغالباً ما تكافح الطرق الحالية للتنبؤ لالتقاط السلوك غير الخطي والوقت المتغير لجلسات الشحن. وقد أظهرت التطورات الحديثة في التعلم الآلي إمكانيات لتحسين دقة التنبؤ من خلال الاستفادة من بيانات الجلسات التاريخية. في هذه الدراسة، نقترح إطار عمل قائم على البيانات للتعلم الآلي للتنبؤ باستهلاك الطاقة في محطات شحن السيارات الكهربائية باستخدام ميزات على مستوى الجلسات من بيانات تشغيلية من العالم الحقيقي. نقارن بين ثلاثة نماذج انحدار، بما في ذلك الانحدار الخطي، والغابة العشوائية، وزيادة الانحدار المتطرفة (XGBoost)، لتقييم قدرتها على التقاط ديناميكيات الاستهلاك المعقدة. تكشف النتائج التجريبية أن XGBoost يتفوق بشكل كبير على الآخرين، محققًا أدنى خطأ مطلق متوسط (1.08 كيلوواط ساعة) وأعلى خطأ جذر متوسط تربيعي (3.69 كيلوواط ساعة)، وأعلى درجة R^2 (0.85). توفر هذه النتائج رؤى قابلة للتنفيذ لتحسين إدارة المحطة، وزيادة كفاءة الطاقة، وتوجيه توسيع البنية التحتية.