मल्टीस्टेप इलेक्ट्रिक वाहन चार्जिंग स्टेशन उपस्थिति भविष्यवाणी हाइब्रिड LSTM न्यूरल नेटवर्क्स का उपयोग करके

सार्वजनिक चार्जिंग स्टेशन उपस्थिति भविष्यवाणी एक स्मार्ट चार्जिंग रणनीति विकसित करने में महत्वपूर्ण भूमिका निभाती है ताकि इलेक्ट्रिक वाहन (EV) ऑपरेटर और उपयोगकर्ता की असुविधा को कम किया जा सके। हालांकि, मौजूदा अध्ययन मुख्य रूप से पारंपरिक अर्थशास्त्रीय या समय श्रृंखला विधियों पर आधारित हैं जिनकी सटीकता सीमित है। हम एक नए मिश्रित लंबी अल्पकालिक मेमोरी न्यूरल नेटवर्क का प्रस्ताव करते हैं जिसमें ऐतिहासिक चार्जिंग राज्य अनुक्रम और समय-संबंधित विशेषताएँ शामिल हैं ताकि मल्टीस्टेप विविक्त चार्जिंग उपस्थिति राज्य भविष्यवाणी की जा सके। मौजूदा LSTM नेटवर्कों के विपरीत, प्रस्तावित मॉडल विभिन्न प्रकार की विशेषताओं को अलग करता है और उन्हें मिश्रित न्यूरल नेटवर्क आर्किटेक्चर के साथ अलग तरीके से संभालता है। इस मॉडल की तुलना इंग्लैंड के डंडी शहर के ओपन डेटा पोर्टल से प्राप्त EV चार्जिंग डेटा पर आधारित कई अत्याधुनिक मशीन लर्निंग और डीप लर्निंग दृष्टिकोणों से की गई है। नतीजे बताते हैं कि प्रस्तावित विधि अत्यंत सटीक पूर्वानुमान उत्पन्न करती है (1 कदम (10 मिनट) के लिए 99.99% और 6 कदम (1 घंटे) के लिए 81.87%) और मानक दृष्टिकोणों को महत्वपूर्ण रूप से बेहतर बनाती है (+22.4% के लिए एक कदम आगे की भविष्यवाणी और +6.2% के लिए 6 कदम आगे)। मॉडल के मापदंडों के पूर्वानुमान सटीकता पर प्रभाव का मूल्यांकन करने के लिए एक संवेदनशीलता विश्लेषण किया गया है।