Previsão de ocupação de estações de carregamento de veículos elétricos em múltiplas etapas usando redes neurais híbridas LSTM

A previsão de ocupação de estações de carregamento públicas desempenha um papel fundamental no desenvolvimento de uma estratégia de carregamento inteligente para reduzir o inconveniente para operadores e usuários de veículos elétricos (VE). No entanto, os estudos existentes são principalmente baseados em metodologias econométricas convencionais ou séries temporais com precisão limitada. Propomos uma nova rede neural de memória de longo e curto prazo mista, incorporando tanto sequências históricas de estado de carregamento quanto características relacionadas ao tempo para previsão do estado de ocupação de carregamento discreto em múltiplas etapas. Ao contrário das redes LSTM existentes, o modelo proposto separa diferentes tipos de características e as lida de maneira diferente com uma arquitetura de rede neural mista. O modelo é comparado a várias abordagens de aprendizado de máquina e aprendizado profundo de última geração, com base nos dados de carregamento de VE obtidos do portal de dados abertos da cidade de Dundee, Reino Unido. Os resultados mostram que o método proposto gera previsões muito precisas (99,99% e 81,87% para 1 etapa (10 min) e 6 etapas (1 h) à frente, respectivamente, e supera significativamente as abordagens de referência (+22,4% na previsão de um passo à frente e +6,2% para 6 passos à frente). Uma análise de sensibilidade é realizada para avaliar o impacto dos parâmetros do modelo na precisão da previsão.