Pronóstico de la demanda de carga de vehículos eléctricos utilizando un modelo de aprendizaje profundo

Las emisiones de gases de efecto invernadero (GEI) y el consumo excesivo de combustible se han convertido en un problema urgente en la actualidad. En particular, las emisiones de CO2 del transporte representan aproximadamente una cuarta parte de las emisiones globales desde 2016. El vehículo eléctrico (VE) se considera una opción atractiva para abordar las preocupaciones mencionadas. Sin embargo, con el crecimiento del mercado de VEs, surgen también problemas como la insuficiente infraestructura de carga para apoyar una demanda en constante aumento. Predecir eficazmente la demanda de carga comercial de VEs asegura la confiabilidad y solidez del servicio público de electricidad a corto plazo y ayuda en la planificación de inversiones y la asignación de recursos para infraestructuras de carga a largo plazo. Con este fin, este artículo presenta un pronóstico de series temporales de la demanda mensual de carga comercial de VEs utilizando un enfoque de aprendizaje profundo: Secuencia a Secuencia (Seq2Seq). El modelo propuesto se valida mediante conjuntos de datos del mundo real del Estado de Utah y de la Ciudad de Los Ángeles. Se prueban dos objetivos de predicción, a saber, la predicción de un paso adelante y la predicción de múltiples pasos adelante. Además, el modelo se compara y se evalúa en comparación con otros modelos de series temporales y de aprendizaje automático. Los experimentos muestran que tanto Seq2seq como la memoria a largo y corto plazo (LSTM) generan un rendimiento de predicción satisfactorio para la predicción de un paso. Sin embargo, al realizar la predicción de múltiples pasos, Seq2Seq supera significativamente a otros modelos en términos de diversas métricas de rendimiento, lo que indica la fuerte capacidad del modelo para predicciones de datos secuenciales.