33067

ارائه روشي هوشمند براي مديريت بار در شبكه براساس پيش‌بيني بار شارژ خودروهاي الكتريكي

كارشناسي ارشد

مهندسي برق گرايش سيستم هاي قدرت

1401

1403/11/21

دكتر محسن كلانتر

دكتر عارف اسكندري

مهندسي برق

با گسترش خودروهاي الكتريكي (EV)، پيش‌بيني دقيق بار شارژ آن‌ها به يكي از چالش‌هاي اساسي مديريت شبكه‌هاي توزيع برق تبديل شده است. نوسانات شديد در ميزان مصرف، وابستگي به عوامل زماني و محيطي، و تأثير شرايط آب‌وهوايي بر رفتار كاربران، پيش‌بيني را دشوار مي‌سازد. مدل‌هاي سنتي نظير ARIMA و شبكه‌هاي عصبي بازگشتي (RNN, LSTM) با چالش‌هايي همچون عدم توانايي در يادگيري وابستگي‌هاي بلندمدت، عدم تفسيرپذيري، و ضعف در ادغام متغيرهاي متنوع روبه‌رو هستند. علاوه بر اين، بسياري از روش‌هاي موجود قادر به تركيب همزمان ويژگي‌هاي رفتاري، زماني و آب‌وهوايي در مقياس‌هاي مختلف نيستند. براي غلبه بر اين چالش‌ها، در پژوهش حاضر از مدل مبدل فيوژن زماني (TFT) براي پيش‌بيني مصرف انرژي ايستگاه‌هاي شارژ خودروهاي الكتريكي در دو مقياس ساعتي و روزانه استفاده شد. ابتدا داده‌هاي شارژ شهريِ پالو آلتو جمع‌آوري و پردازش شد و در نسخه‌ي ساعتي، ويژگي‌هاي كوتاه‌مدت زماني استخراج گرديد. در نسخه‌ي روزانه نيز، علاوه بر تجميع مصرف، داده‌هاي آب‌وهوايي براي بهبود دقت مدل افزوده شد. در ادامه، با بهينه‌سازي هايپرپارامترهاي كليدي آموزش مدل انجام شد. نتايج نشان داد كه مدل ساعتي در شناسايي الگوهاي كوتاه‌مدت عملكرد بهتري دارد، در حالي كه نسخه‌ي روزانه توانايي بالاتري در ارائه‌ي چشم‌انداز كلي از مصرف دارد. همچنين، افزودن داده‌هاي آب‌وهوايي تأثير مثبتي بر دقت پيش‌بيني روزانه گذاشت. بدين ترتيب، مي‌توان نتيجه گرفت كه استفاده از مدل‌هاي يادگيري عميق، به‌ويژه TFT، نه‌تنها به بهبود دقت و تفسيرپذيري پيش‌بيني بار شارژ كمك مي‌كند، بلكه راهكاري كاربردي براي بهينه‌سازي مديريت انرژي در شبكه‌هاي توزيع برق ارائه مي‌دهد.

1403/12/03

An intelligent method for load management based on electric vehicle load forecasting

2/9/2026 12:00:00 AM

With the expansion of electric vehicles (EVs), accurate forecasting of their charging load has become a critical challenge in managing power distribution networks. The high fluctuations in consumption, dependency on temporal and environmental factors, and the influence of weather conditions on user behavior make accurate prediction difficult. Traditional models such as ARIMA and recurrent neural networks (RNN, LSTM) face challenges like the inability to learn long-term dependencies, lack of interpretability, and weakness in integrating diverse variables. Furthermore, many existing methods fail to simultaneously incorporate behavioral, temporal, and weather-related features across different scales. To address these challenges, this study employs the Temporal Fusion Transformer (TFT) model to forecast the energy consumption of EV charging stations at both hourly and daily scales. First, urban charging data from Palo Alto was collected and processed. In the hourly version, short-term temporal features were extracted, whereas in the daily version, weather data was incorporated in addition to aggregated consumption to enhance prediction accuracy. Subsequently, key hyperparameters were optimized to train the model effectively. The results demonstrated that the hourly model performed better in capturing short-term patterns, whereas the daily model provided a more comprehensive outlook on consumption trends. Additionally, incorporating weather data positively impacted the accuracy of daily forecasts. Consequently, this study concludes that leveraging deep learning models, particularly TFT, not only improves the accuracy and interpretability of EV charging load forecasts but also offers a practical solution for optimizing energy management in power distribution networks.

مديريت انرژي , پيش‌بيني مصرف انرژي , ايستگاه‌هاي شارژ خودروهاي الكتريكي , يادگيري عميق , سري‌هاي زماني

Energy Management , Energy Consumption Forecasting , Electric Vehicle Charging Stations , Time Series , Deep Learning

Danial Moghadam dost

Dr. Mohden Kalantar