Pronóstico probabilístico basado en aprendizaje profundo de la carga de carga de vehículos eléctricos con un nuevo modelo de colas

Con la tecnología emergente de vehículos eléctricos (VE) y carga rápida, el pronóstico de carga de VE se ha convertido en una preocupación para los planificadores y operadores de estaciones de carga de VE (CS). Debido a la característica no estacionaria del flujo de tráfico (TF) y la naturaleza errática de los procedimientos de carga, es difícil pronosticar con precisión la carga de carga de VE. En este artículo, primero se predice TF utilizando una red neuronal convolucional (CNN) basada en aprendizaje profundo, y se evalúan diferentes incertidumbres de pronóstico para formular los intervalos de predicción (PIs) de TF. Luego, se calculan las tasas de llegada de VE de acuerdo con los datos históricos y el modelo mixto propuesto. Basado en los resultados de pronóstico de TF y tasa de llegada, se estudia el proceso de carga de VE para convertir el TF en la carga de carga utilizando un nuevo modelo de colas probabilístico que toma en consideración las limitaciones del servicio de carga y el comportamiento de los conductores. Los modelos propuestos se evalúan utilizando los datos reales de TF, y los resultados muestran que las incertidumbres de la carga de carga de VE se pueden aprender de manera integral, indicando un potencial significativo para aplicaciones prácticas.