Моделі прогнозування навантаження зарядної інфраструктури для планування та оптимізації технічних баз обслуговування

Олександр Олександрович Лисенко

doi:10.26642/ten-2026-1(97)-39-48

Автор(и)

Олександр Олександрович Лисенко Національний транспортний університет, Україна

DOI:

https://doi.org/10.26642/ten-2026-1(97)-39-48

Ключові слова:

електротранспорт, зарядна інфраструктура, виробничо-технічна база, прогнозування навантаження, ймовірнісні моделі, теорія масового обслуговування, модель M / M/c, рівень сервісу (SLA), оптимізація потужності, автомобільний транспорт

Анотація

Стрімке зростання частки транспортних засобів з електричною тяговою установкою зумовлює необхідність перегляду підходів до проєктування та експлуатації виробничо-технічних баз підприємств автомобільного транспорту. Одним із ключових елементів таких баз є зарядна інфраструктура, параметри якої безпосередньо впливають на готовність рухомого складу, пропускну здатність підприємства та економічну ефективність його діяльності. Особливої складності набуває задача планування зарядної інфраструктури в умовах змішаного формату експлуатації, коли виробничо-технічна база одночасно обслуговує деповський електротранспорт і клієнтські зарядні сесії, що мають стохастичний характер. У статті запропоновано підхід до прогнозування навантаження зарядної інфраструктури електротранспорту на горизонті 24–168 год як інструмент оптимізації виробничо-технічних баз підприємств автомобільного транспорту. Показано, що традиційні детерміновані методи розрахунку, засновані на середніх або максимальних значеннях потужності, не забезпечують достатньої точності в умовах високої варіативності попиту та не дозволяють коректно оцінювати ризики перевантаження або недовантаження інфраструктури. У зв’язку з цим обґрунтовано доцільність застосування багатофакторних і ймовірнісних моделей прогнозування, які формують не лише середнє очікуване навантаження, але й верхні квантилі розподілу, критичні для інженерних рішень. Методичну основу дослідження становить поєднання прогнозування навантаження з моделями теорії масового обслуговування типу M / M/c, що дозволяє кількісно пов’язати часову структуру попиту на заряджання з показниками якості сервісу. На основі сценарного аналізу показано, що використання показників рівня сервісу (SLA), зокрема обмеження часу очікування заряджання, може слугувати формальним критерієм вибору кількості зарядних постів і приєднаної потужності виробничо-технічної бази. Запропонований підхід дає змогу узгодити енергетичні, сервісні та економічні параметри зарядної інфраструктури, мінімізуючи сумарні капітальні та експлуатаційні витрати при забезпеченні заданої надійності обслуговування. Практична значущість отриманих результатів полягає у можливості використання запропонованих моделей на етапах передпроєктного обґрунтування, модернізації та оперативного управління виробничо-технічними базами електротранспорту. Результати дослідження можуть бути використані підприємствами автомобільного транспорту, проєктними організаціями та органами місцевого самоврядування для обґрунтування рішень щодо розвитку зарядної інфраструктури в умовах зростання електромобільності.

Посилання

Amara-Ouali, Y. et al. (2025), «Quantifying the uncertainty of electric vehicle charging behaviours using probabilistic forecasting algorithms», Machines, Vol. 16, No. 2, doi: 10.3390/machines16020088.

Ostermann, A. and Haug, T. (2024), «Probabilistic forecast of electric vehicle charging demand», Energy Informatics, doi: 10.1186/s42162-024-00319-1.

Ostermann, A., Nowak, W., Pauli, L. et al. (2024), «Probabilistic forecast of electric vehicle charging demand: analysis of different aggregation levels and energy procurement», Energy Informatics, doi: 10.1186/s42162-024-00319-1.

Zhang, L., Jiao, Z. et al. (2025), «Load probabilistic forecasting for electric vehicle charging station cluster: adaptive multivariate spatiotemporal graph fusion technology», International Journal of Electrical Power & Energy Systems, doi: 10.1016/j.ijepes.2025.111387.

Bian, H., Bing, S. and Ren, Q. (2025), «Electric vehicle charging load forecasting based on user portrait and real-time traffic flow», Energy Reports, doi: 10.1016/j.egyr.2025.01.070.

Chen, P. et al. (2025), «Electric vehicle charging demand forecasting at charging stations considering weather impact», IET Power Electronics, doi: 10.1049/pel2.12833.

Lu, J., Yin, W., Wang, P. and Ji, J. (2024), «EV charging load forecasting and optimal scheduling based on travel characteristics», Energy, doi: 10.1016/j.energy.2024.133389.

Tian, J., Liu, H., Gan, W. et al. (2025), «Short-term electric vehicle charging load forecasting based on TCN-LSTM network with comprehensive similar day identification», Applied Energy, doi: 10.1016/j.apenergy.2024.125174.

Hussain, A., Eswarakrishnan, V., Aslam, A. et al. (2025), «Charging stations demand forecasting using LSTM encoder-decoder-based Transformer model», Scientific Reports, No. 15, doi: 10.1038/s41598-025-20421-y.

Shang, R. et al. (2024), «Electric vehicle charging load forecasting based on K-means++ clustering and deep learning algorithms», Machines.

Tang, Y., Yao, T. and Wei, L. (2023), «Charging station placement optimization using queueing theory with QoS constraints (waiting time)», 36th International Electric Vehicle Symposium and Exhibition (EVS36), June 11–14, Sacramento, California, USA, [Online], available at: https://evs36.com/wp-content/uploads/finalpapers/FinalPaper_Yao_Tang.pdf

Wang, B., Ge, X., Jin, Yu. et al. (2025), «Orderly charging scheduling for EVs with a queuing model integrating virtual charging piles and state variables», Applied Sciences, No. 15 (22), doi: 10.3390/app152212038.

Marasin, O.V. (2025), «Pravova osnova rozvytku infrastruktury elektromobilnoho transportu Ukrainy», Naukovi perspektyvy, No. 5 (59), рр. 1336–1348.

Zakharchenko, Yu.V. (2025), «Rozvytok rynku zariadnykh stantsii dlia elektromobiliv v Ukraini», Elektromobilnist ta elektroenerhetyka, No. 2, рр. 79–91.

Список використаної літератури:

Quantifying the uncertainty of electric vehicle charging behaviours using probabilistic forecasting algorithms / Y.Amara-Ouali and other // Machines. – 2025. – Vol. 16, № 2. DOI: 10.3390/machines16020088.

Ostermann A. Probabilistic forecast of electric vehicle charging demand / A.Ostermann, T.Haug // Energy Informatics. – 2024. DOI: 10.1186/s42162-024-00319-1.

Probabilistic forecast of electric vehicle charging demand: analysis of different aggregation levels and energy procurement / A.Ostermann, W.Nowak, L.Pauli and other // Energy Informatics. – 2024. DOI: 10.1186/s42162-024-00319-1.

Load probabilistic forecasting for electric vehicle charging station cluster: adaptive multivariate spatiotemporal graph fusion technology / L.Zhang, Z.Jiao and other // International Journal of Electrical Power & Energy Systems. – 2025. DOI: 10.1016/j.ijepes.2025.111387.

Bian H. Electric vehicle charging load forecasting based on user portrait and real-time traffic flow / H.Bian, S.Bing, Q.Ren // Energy Reports. – 2025. DOI: 10.1016/j.egyr.2025.01.070.

Electric vehicle charging demand forecasting at charging stations considering weather impact / P.Chen and other // IET Power Electronics. – 2025. DOI: 10.1049/pel2.12833.

EV charging load forecasting and optimal scheduling based on travel characteristics / J.Lu, W.Yin, P.Wang, J.Ji // Energy. – 2024. DOI: 10.1016/j.energy.2024.133389.

Short-term electric vehicle charging load forecasting based on TCN-LSTM network with comprehensive similar day identification / J.Tian, H.Liu, W.Gan and other // Applied Energy. – 2025. DOI: 10.1016/j.apenergy.2024.125174.

Charging stations demand forecasting using LSTM encoder-decoder-based Transformer model / A.Hussain, V.Eswarakrishnan, A.Aslam and other // Scientific Reports. – 2025. – No. 15. DOI: 10.1038/s41598-025-20421-y.

Electric vehicle charging load forecasting based on K-means++ clustering and deep learning algorithms / R.Shang and other // Machines. – 2024.

Tang Y. Charging station placement optimization using queueing theory with QoS constraints (waiting time) / Y.Tang, T.Yao, L.Wei // 36th International Electric Vehicle Symposium and Exhibition (EVS36), June 11–14. – Sacramento, California, USA, 2023 [Electronic resource]. – Access mode : https://evs36.com/wp-content/uploads/finalpapers/FinalPaper_Yao_Tang.pdf.

Orderly charging scheduling for EVs with a queuing model integrating virtual charging piles and state variables / B.Wang, X.Ge, Yu.Jin and other // Applied Sciences. – 2025. – No. 15 (22). DOI: 10.3390/app152212038.

Марасін О.В. Правова основа розвитку інфраструктури електромобільного транспорту України / О.В. Марасін // Наукові перспективи. – 2025. – № 5 (59). – С. 1336–1348.

Захарченко Ю.В. Розвиток ринку зарядних станцій для електромобілів в Україні / Ю.В. Захарченко // Електромобільність та електроенергетика. – 2025. – № 2. – С. 79–91.