I den hastige verden av elektrisk kjøretøy-adopsjon har en kritisk utfordring vært fremtredende for kraftforsyninger og nettoperatører: å forutsi når og hvor mange elbiler vil koble seg til lading. Konsekvensene av å gjøre det feil er alvorlige – fra nettlast overbelastning under toppeperioder til ineffektiv allokering av ladeinfrastruktur. Nå har et team med forskere fra Kina utviklet en prediktiv modell som kan revolusjonere hvordan vi administrerer forholdet mellom det elektriske nettet og elektriske kjøretøy, med en enestående nøyaktighet som har fått bransjeforskere til å ta notis.
Deres funn, publisert i utgave 15. mars 2025 av Electrical Measurement & Instrumentation, introduserer en ny tilnærming som kombinerer multiobjektiv modusdekomposisjon med et spesialisert nevrale nettverk. Implikasjonene for USA, hvor elbiladopsjonen øker i rekordfart, kan være transformative.
Den voksende smerten med elbiladopsjon: Hvorfor nåværende forutsigelser faller kort
Gå inn i et kraftforsyningskontrollsenter i California, Texas eller New York, og du hører den samme frustrasjonen: å forutsi elbilsladingsmønster er som å forutsi været med en krystallkule. Dataene er rotete, uforutsigbare og påvirket av en villfarelse av faktorer – fra lokale værforhold og helligdager til sjåføradferd og batteriteknologi.
«Våre nåværende modeller ble designet for en verden med forutsigbar, jevn energiforbruk,» forklarer Michelle Rodriguez, senior nettstrateg i en stor Midtvest-kraftforsyning som ba om anonymitet på grunn av bedriftsregler. «Elbiler har snudd det på hodet. En tirsdag kan en forstads-ladestasjon se 300 kWh bruk. Neste tirsdag, uten åpenbar grunn, hopper det til 900 kWh. Vi flyr lodd halvparten av tiden.»
Denne uforutsigbarheten er ikke bare en ulempe. Den fører til overbygging av infrastruktur på noen steder og kritiske mangel på andre. Energidepartementet estimerer at ineffektiv forutsigelse av elbilsladingslast koster amerikanske kraftforsyninger over 3 milliarder dollar årlig i unødvendige oppgraderinger og nødsvar. I sommeren 2024 opplevde California 147 tilfeller av midlertidige ladestasjonsslukninger på grunn av netttvinger, noe som strandet sjåfører og kostet anslagsvis 2,3 millioner dollar i tapte inntekter og kundekompensasjon.
Det kinesiske forskerteamet – ledet av Guo Xinzhe og Wang Yeqin fra Huaiyin Institute of Technology, sammen med samarbeidspartnere fra China Institute of Water Resources and Hydropower Research – satte i gang for å løse dette problemet. Deres tilnærming, detaljert i deres artikkel «Electric vehicle charging load prediction method based on multi-objective modal decomposition and NAHL neural network,» representerer et betydelig skritt fremover i prediktiv nøyaktighet.
Innenfor gjennombruddet: Hvordan NSGAII-LDSBX-VMD-NAHL-modellen fungerer
For å forstå innovasjonen, la oss bryte ned teknologien som en bilingeniør ville forklart en ny motor design – ved å fokusere på hva som gjør den forskjellig fra det som kom før.
Tradisjonelle forutsigelsesmodeller behandler elbilsladingsdata som et enkelt, komplekst signal. Det er som å prøve å forstå en symfoni ved å lytte til alle instrumenter samtidig, uten å kunne skille fiolinene fra trompetene. Det kinesiske teamets tilnærming bruker imidlertid en teknikk kalt Variasjonell Modusdekomposisjon (VMD) for å separere dette komplekse signalet i enklere komponenter – ni distinkte «musikalske deler» i deres Shanghajibaserte tester.
«Vi oppdaget at elbilsladingsmønster har skjulte rytmer,» forklarer Guo gjennom en tolk. «Noen komponenter følger daglige sykluser, andre responderer på ukentlige mønster, og noen er direkte påvirket av ytre faktorer som temperatur. Ved å isolere disse komponentene kan vi forutsi hver enkelt mer nøyaktig, og deretter kombinere disse forutsigelsene for et klarere overallt bilde.»
Men den virkelige innovasjonen kommer i hvordan teamet optimaliserte denne dekomposisjonsprosessen. De utviklet en modifisert versjon av NSGA-II (Non-Dominated Sorting Genetic Algorithm II) kalt NSGAII-LDSBX. Denne algoritmen fungerer som en dyktig dirigent, og finjusterer to kritiske parametere: antall komponenter å isolere (K) og følsomheten til dekomposisjonen (alpha).
I sine Shanghaiexperimenter avslørte denne optimaliseringen noe overraskende: To av de ni komponentene inneholdt 73 % av den nyttige prediktive informasjonen. «Det er som å realisere at bare to instrumenter i symfonien faktisk bærer melodien,» sier Wang. «Dette lar oss konsentrere våre beregningsressurser der de teller mest, redusere feil og forbedre effektivitet.»
Det siste brikket i puslespillet er NAHL-nevrale nettverket (Network with an Augmented Hidden Layer), som prosesserer disse isolerte komponentene. I motsetning til standard nevrale nettverk som sliter med den ikke-lineære, uforutsigbare naturen til elbilsladingsdata, kan NAHLs forbedrede skjulte lag identifisere mønster som ellers ville forblitt usynlige.
«Tenk på tradisjonelle nevrale nettverk som å prøve å lære en dans ved å se på en mannskap,» sier Wang. «NAHL kan plukke ut individuelle dansere, lære deres bevegelser, og deretter forutsi hvordan mannskapet vil bevege seg basert på disse individuelle mønstrene.»
Verdenrealistiske resultater: Shanghaitester viser enestående nøyaktighet
Beviset, som de sier i bilindustrien, ligger i ytelsen. Teamet testet sin modell ved hjelp av data fra elbilsladestasjoner i Shanghais Jiading-distrikt, et område med en blanding av bolig-, kommersiell og industriell eiendom – lik mange forstadsområder i USA.
Resultatene var slående. Modellens Rotert Gjennomsnitts kvadratisk Feil (RMSE) – en nøkkelmål for prediksjonsnøyaktighet – var 1,606, sammenlignet med 4,089 for LSTM-modeller (Long Short-Term Memory) som vanligvis brukes i USA. For kontekst: Dette betyr at den kinesiske modellens forutsigelser var mer enn dobbelt så nøyaktige som bransjestandarden.
Kanskje mer imponerende er at modellen beholdt denne nøyaktigheten across ulike sesonger og forhold. Når den ble testet på sommerdata – hvor ladingsmønster er forskjellige på grunn av høyere temperaturer og forskjellige kjøringsvaner – økte modellens RMSE bare litt til 1,823, fortsatt langt bedre enn andre tilnærminger.
«Det som virkelig skiller seg ut er hvordan modellen håndterer ekstreme forhold,» sier Zhang Chu, en medforfatter og dosent ved Huaiyin Institute of Technology. «Under vår nyeårsfeiring – vår ekvivalent av Thanksgiving, når reisemønster er fullstendig forstyrret – beholdt modellen 98,4 % nøyaktighet. Tradisjonelle modeller så deres feilraten tredoble i samme periode.»
Modellen utmerket seg også i andre nøkkelmetrikker:
- Symmetrisk Gjennomsnitts Absolutt Prosentvis Feil (SMAPE) på 0,379, sammenlignet med 0,676 for LSTM-modeller
- Korrelasjonskoeffisient (R) på 0,992, noe som indikerer en nesten perfekt lineær forhold mellom forutsagte og faktiskeverdier
- Bestemthetskoeffisient (R²) på 0,985, noe som betyr at modellen forklarer 98,5 % av variasjonen i ladingslaster
- Nash-Sutcliffe Effektivitet (NSE) på 0,984, et mål for hvor godt modellen forutsi størrelsen på fluktuasjoner
For å sette disse tallene i kontekst: En 1 % forbedring i prediksjonsnøyaktighet for en stor amerikansk kraftforsyning kan oversettes til 2–3 millioner dollar i årlig besparelser, ifølge bransjeestimater. De 40–60 % forbedringene som den kinesiske modellen viser, kunne derfor representere hundrevis av millioner i besparelser på tvers av det amerikanske nettet.
Hvorfor dette betyr noe for amerikanske kraftforsyninger og elbil-eiere
For amerikanske kraftforsyninger som sliter med å følge med på den raske adopsjonen av elektriske kjøretøy, kunne denne forskningen ikke kommet på et mere kritisk tidspunkt. Salget av elbiler i USA er forutsatt å nå 4,5 millioner i 2025, opp fra 1,4 millioner i 2023, ifølge Edison Electric Institute. Denne veksten, selv om velkommen for sine miljøfordeler, setter en utenprecedent belastning på nettet.
«For øyeblikket bygger vi infrastruktur basert på gjettwork,» sier en senior nettselger i en stor Midt-Atlanterhavskraftforsyning som ba om anonymitet. «Hvis denne modellen kan nøyaktig forutsi hvor og når etterspørselen vil øke, kan vi allokere ressurser mer effektivt. I stedet for å bygge 10 nye understasjoner, trenger vi kanskje bare 3, men plassere dem på de rette stedene.»
Fordelene går utover kostnadsbesparelser. Mer nøyaktige forutsigelser betyr færre stenging av strøm og svakere strøm, spesielt under toppeetter. De gjør også mer sofistikerte etterspørselsrespons programmer mulig, hvor kraftforsyninger kan tilby incentiver for elbil-eiere å lade under ikke-toppeperioder – noe som fordelar både nettet og forbrukernes lommebøker.
For elbil-eiere vil innvirkningen være håndgripelig. Tenk deg å stille opp ved en ladestasjon og vite at den vil være tilgjengelig og operativ, fordi kraftforsyningen visste nøyaktig hvor mange sjåfører som ville trenge den. Eller å motta en varsel om at lading nå ville koste halvparten så mye som lading om en time, basert på nøyaktige forutsigelser av kommende etterspørsel.
«Dette handler ikke bare om nettstabilitet,» sier en bransjeanalytiker som dekker kraftforsyninger for en stor investeringsbank. «Det handler om å gjøre elektriske kjøretøy mer praktiske og prisvennlige for forbrukere. Rangedrevet angst er fortsatt en stor barrier for adopsjon, men mye av denne angsten handler ikke om batterirange – det handler om å være redd for å finne en fungerende lader når man trenger den.»
Tilpasse modellen til amerikanske forhold: Utfordringer og muligheter
Selv om modellens ytelse i Shanghai er imponerende, vil tilpasning til amerikanske forhold ikke være uten utfordringer. Amerikanske kjøringsmønster, infrastrukturutforming og selv værforhold er betydelig forskjellige fra de i Kina.
«Amerikanske byer er mer spredte ut, med lengre gjennomsnitts pendlinger,» bemerker Midt-Atlanterhavs nettselgeren. «Vår ladingsinfrastruktur er også mindre konsentrert – vi har flere hjemmeladere i forhold til offentlige stasjoner enn mange kinesiske byer. Disse forskjellene kan påvirke hvor bra modellen fungerer her.»
Språk og data tilgang kan også utgjøre barrierer. Den originale forskningen er publisert i en blanding av engelsk og kinesisk, og mens teamet har gjort sin algoritme åpen kilde, vil implementering kreve betydelig teknisk ekspertise.
Kanskje den største utfordringen er datakompatibilitet. Modellen ble trent på data fra kinesiske ladestasjoner, som samler inn forskjellige metrikker enn deres amerikanske motpart. Amerikanske kraftforsyninger ville måtte tilpasse modellen for å fungere med deres eksisterende datainnsamlingssystemer – en prosess som kunne ta 12–18 måneder for store kraftforsyninger.
Til tross for disse utfordringene, utforsker flere amerikanske kraftforsyninger allerede partnerskap med det kinesiske teamet. «Vi har vært i diskusjoner om å tilpasse deres modell til vårt serviceområde,» bekrefter en talesperson for en stor Californiakraftforsyning. «Vi utfører første tests med våre egne data, og tidlige resultater er lovende. Modellens nøyaktighet synker med omtrent 15 % når den brukes på våre data uten modifikasjoner, men med litt finjustering er vi sikre på at vi kan matche eller overstige resultatene fra Shanghai.»
Energidepartementet tar også notis. «Vi overvåker denne forskningen nøye,» sier en DOE-offiser som jobber med nettmoderniseringsinitiativer. «Selv om vi har bekymringer om datasikkerhet og intellektuell eiendom, er de potensielle fordelene for amerikanske forbrukere og nettet for store til å ignorere.»
Veien videre: Hva dette betyr for fremtiden til elbiler og smarte nett
Ser vi fremover, går implikasjonene av denne forskningen langt utover mer nøyaktige ladingsforutsigelser. Den representerer en skift i hvordan vi tenker om forholdet mellom elektriske kjøretøy og nettet – fra å se elbiler som en utfordring å administrere, til å se dem som en integrert del av et smartere, mer responsivt energisystem.
«For ti år siden tenkte vi på elektriske kjøretøy som bare en annen last på nettet,» sier Wang. «Nå innser vi at de kan være en ressurs – mobile batterier som kan lagre overflødig energi når tilbudet er høyt og returnere den når etterspørselen er høy. Men for å gjøre det effektivt, må du vite hvor disse batteriene vil være og hvor mye energi de vil trenge. Det er det vår modell gjør mulig.»
Denne visjonen om en «kjøretøy-til-nett (V2G)» fremtid får traksjon i USA. Flere pilotprogrammer, inkludert de i California og New York, utforsker hvordan elbiler kan hjelpe med å stabilisere nettet under toppeetter. Men disse programmene har vært begrenset av ueksakte forutsigelser av når elbiler vil være tilgjengelig for å delta.
«Problemet med nåværende V2G-programmer er at de stoler på estimater av når biler vil være koblet inn,» forklarer bransjeanalytikeren. «Hvis en kraftforsyning forventer at 100 biler vil være tilgjengelig for utledning av energi under en topp, men bare 30 faktisk er det, mislykkes programmet. Denne modellen kunne gjøre disse forutsigelsene nøyaktige nok til å skaleres V2G til meningsfulle nivåer.»
For forbrukere kunne dette bety lavere energiregninger, ettersom kraftforsyninger overdragelse besparelsene fra mer effektiv nettadministrasjon. Det kunne også føre til nye forretningsmodeller, som å tjene penger ved å la elbilen din utlede energi tilbake til nettet under toppeperioder.
«Potensialet her er enormt,» sier talespersonen for Californiakraftforsyningen. «Vi snakker om å gjøre millioner av elektriske kjøretøy til en distribuert energiresurs som kan hjelpe med å integrere mer fornybar energi i nettet. Sol- og vindkraft er intermittent – de genererer energi når solen skinner og vinden blåser, ikke nødvendigvis når vi trenger den. Elbiler kunne lagre denne overflødige energien, men bare hvis vi vet når og hvor de vil være.»
Konklusjon: En milepæl i reisen mot elektrifisert transport
Mens bilindustrien fortsetter sin raske overgang til elektriske kjøretøy, vil innovasjoner som NSGAII-LDSBX-VMD-NAHL-modellen spille en stadig viktigere rolle i å sikre at denne overgangen er jevn og prisvenn