EV-töltési terhelés előrejelzés: 5 ML módszer tanulságai

A villanyautó-töltés „csendes” infrastruktúra: többnyire akkor vesszük észre, amikor nem működik jól. Amikor a töltő foglalt, a teljesítmény visszaesik, vagy a helyszínen hirtelen megugrik a terhelés, és ezzel együtt a költség is. 2025 végére a magyar autóipari ökoszisztémában (gyártók, beszállítók, flottakezelők, energiaszolgáltatók) egyre kevesebb türelem maradt a találgatásra: előre kell látni az EV-töltési igényt, perces–órás–napos bontásban.

Egy friss kutatás (2025.12, arXiv) pont ezt a problémát fogja meg: öt idősoros előrejelző módszert hasonlít össze több időtávon és több térbeli aggregációs szinten – az egyedi töltőponttól a város/regionális szintig – négy valós, nyilvános adatkészleten. Nekem ebben az a legizgalmasabb, hogy végre nem egyetlen „szép” esettanulmányt látunk, hanem olyan összevetést, ami közelebb áll a valódi működéshez.

És itt jön a kampányunk szempontjából a csavar: amit az EV-töltési terhelés előrejelzésében jól csinálunk, ugyanaz a gondolkodásmód, ami a kórházi kapacitástervezést, betegáramlást vagy diagnosztikai triázst is jobbá teszi. Az AI előrejelzés nem iparágfüggő varázslat, hanem fegyelmezett adatmunka.

Miért nehéz az EV-töltés terhelését megjósolni?

Az EV-töltési terhelés előrejelzése azért nehéz, mert a kereslet egyszerre viselkedik emberi szokásként és infrastruktúra-jelként. Vannak ritmusok (munkaidő, hétvége, ünnepek), de vannak hirtelen kilengések (időjárás, rendezvény, forgalom, hibás töltő, dinamikus ár).

Három tipikus ok, amiért a modellek „mellélőnek” tűnnek a gyakorlatban:

1. Időtáv-függő jel: ami 15 percre jól működik, nem biztos, hogy 24 órára is jó (és fordítva).
2. Térbeli skála-függő zaj: egyetlen töltőpont nagyon „szeszélyes” lehet; városi aggregációban kisimul a jel.
3. Rendszerszintű korlátok: ha egy töltő meghibásodik vagy teljesítménykorlátot kap, a „kereslet” látszólag csökken, pedig csak kiszorul másik helyszínre.

Az előrejelzés nem a jövőt jósolja meg, hanem a döntést támogatja. Ez a különbség a szép grafikon és a működő üzemeltetés között.

A kutatás egyik erőssége, hogy külön kezeli a perces, órás és napos horizontot, és nem keveri össze az „egy töltő” és „egy régió” problémáját. A gyakorlatban ez alap: más döntéshez más modell kell.

Öt modellezési irány: mit adnak, és mit vesznek el?

Az öt összevetett megközelítés lényege, hogy a klasszikus statisztikától a mélytanulásig terjed a skála. A cikk nem egyetlen csodamódszert keres, hanem azt vizsgálja, hogy különböző helyzetekben melyik osztály működik megbízhatóbban.

1) Klasszikus statisztikai idősorok: stabil, de korlátos

A klasszikus modellek erőssége a kiszámíthatóság és az értelmezhetőség. Ha egy üzemeltetőnek gyorsan kell baseline, ezek jók.

A gyenge pontjuk tipikusan:

• nehezebben kezelik a nemlinearitást (például árfüggő viselkedés),
• érzékenyebbek a strukturális törésekre (új töltőpark nyílik, tarifarendszer változik),
• sokszor külön feature engineering nélkül nem hozzák a „jó” szintet.

2) Hagyományos gépi tanulás: rugalmasabb mint a statisztika

A gépi tanulásos regressziós megközelítések akkor erősek, ha sok magyarázó változó áll rendelkezésre (időjárás, naptárhatások, ár, környék forgalma, közeli POI-k stb.).

A kompromisszum:

• több adat-előkészítés,
• nagyobb kockázat a túlillesztésre,
• a „miért ezt mondta?” kérdésre nehezebb válaszolni.

3) Mélytanulás idősorokra: jól viszi a mintázatokat, ha van adat

A deep learning akkor villan, amikor komplex, több skálán mozgó mintázatot kell megtanulni, és van elég adat, hogy ne csak memorizáljon.

Cserébe:

• drágább tanítás és üzemeltetés,
• nehezebb hibakeresés,
• sok helyen a valós ROI csak akkor jön ki, ha az előrejelzés közvetlenül optimalizációba köt (pl. teljesítmény kiosztás, dinamikus árazás).

4) Az „időtáv a fő döntő”: percre mást válassz, mint napra

A tanulság, amit a terepen újra és újra látni: a modellválasztás nem vallás, hanem időtáv.

• Rövid táv (percek): a legutóbbi értékek, rövid ciklusok, lokális mintázatok dominálnak.
• Középtáv (órák): naptárhatások, munkaidő, forgalmi ritmus erős.
• Hosszú táv (napok): trendek, szezon, ünnepnapok, tarifarendszer és infrastruktúra-változások.

5) Az „aggregáció a másik döntő”: töltőpont vs város

Minél nagyobb a térbeli aggregáció, annál „előrejelezhetőbb” lesz a jel. Ez nem csalás, hanem statisztika: a sok kis véletlen részben kioltja egymást.

Ezért a gyakorlatban két külön termék szokott kialakulni:

• Mikroszintű előrejelzés (töltőpont / töltőpark): operációs döntésekhez.
• Makroszintű előrejelzés (város / régió): hálózati és kapacitás döntésekhez.

Mit jelent ez Magyarország autóiparának és töltőhálózatának?

Az EV-töltési terhelés előrejelzés közvetlenül pénzben mérhető, mert a hibás becslés mindig valamilyen pazarlást okoz.

Konkrét, tipikus forgatókönyvek:

• Flották (logisztika, vállalati autók): ha a töltési csúcsot rosszul időzítik, a jármű kiesik, vagy drágábban tölt.
• Töltőüzemeltetők: ha túl konzervatív a kapacitás, üresen áll a vas; ha túl optimista, sor alakul ki.
• Energiapiaci szereplők: a terhelés becslése befolyásolja a kiegyenlítő energia és menetrendezés költségét.

2025 decemberében különösen aktuális a téma, mert az év végi utazások, bevásárlási csúcsok és hideg idő miatt a fogyasztási profilok szórása jellemzően nő. Ilyenkor nem elég az „átlagos nap” modellje: kell a bizonytalanság kezelése is (pl. predikciós intervallumokkal).

A híd az egészségügy felé: ugyanaz a logika, másik terep

A diagnosztikai AI és a töltési terhelés előrejelzés ugyanarról szól: mintázatból kockázatot és kapacitásigényt becsülni.

Három párhuzam, amit érdemes komolyan venni:

Diagnózis = előrejelzés kockázati térben

A képalkotó diagnosztikában (pl. radiológia) a rendszer mintázatot talál és valószínűséget ad. A töltési terhelésnél ugyanez történik: a modell mintázatot tanul, és terhelési eloszlást becsül.

A jó AI nem „igen/nem” választ ad, hanem bizonytalanságot is kommunikál.

Kórházi erőforrás-tervezés = hálózati kapacitástervezés

A kórházban ágy, műtő, személyzet. A töltőhálózatban töltőoszlop, transzformátor, csatlakozási teljesítmény. Mindkét helyen igaz:

• a túl kevés kapacitás várólistát okoz,
• a túl sok kapacitás drága,
• a csúcsokat kell kezelni, nem az átlagot.

Mintafelismerés infrastruktúrán: hibák, anomáliák, „elszivárgó” kereslet

Ahogy az egészségügyben fontos az anomália (szokatlan lelet, hirtelen romló trend), az EV-töltésnél is az: hibás töltő, szokatlan terhelés, új viselkedésminták. A legjobb csapatok az előrejelzést anomáliadetektálással párosítják.

Gyakorlati útmutató: hogyan kezdj bele vállalati szinten?

A siker kulcsa nem az, hogy melyik modell „nyer”, hanem hogy a folyamat zárt hurkú legyen: adat → előrejelzés → döntés → visszamérés.

1) Döntsd el, mire kell az előrejelzés (és milyen gyakran)

Más metrika kell, ha:

• 15 perces teljesítményelosztást optimalizálsz,
• órás műszaktervezést csinálsz,
• vagy 30 napos bővítési döntést készítesz elő.

2) Válaszd szét a térbeli szinteket

Én bevált receptnek tartom ezt:

• Töltőpontonként: gyors, robusztus modell + anomáliafigyelés.
• Városi/regionális: többváltozós modell (naptár, időjárás, ár, események).

3) Használj „naiv” baseline-t és verjük meg tisztességesen

Ha nincs baseline (pl. „legutóbbi érték”, „előző hét azonos órája”), akkor a javulásról csak érzésed lesz.

4) Mérj üzleti KPI-t, ne csak hibát

Az RMSE/MAE fontos, de a vezetőséget ez érdekli:

• mennyi soridőt csökkentettünk,
• mennyi csúcsterhelési költséget kerültünk el,
• mennyi töltési sikerarányt javítottunk,
• mennyi beruházást tudtunk halasztani úgy, hogy a szolgáltatás nem romlott.

5) Gondolkodj „healthcare módra”: triázs és priorizálás

Az egészségügyben a triázs lényege: a szűk erőforrást oda adod, ahol a legnagyobb a kockázat. A töltőhálózatnál ugyanez:

• hol várható a legnagyobb csúcs,
• hol a legnagyobb üzleti kár,
• hol a legkönnyebb beavatkozni (ár, terhelésmenedzsment, karbantartás).

Mit vigyél magaddal ebből a kutatásból?

Az EV-töltési terhelés előrejelzésének legfontosabb üzenete: nincs univerzális győztes modell, csak jól megfogalmazott döntési helyzet. Perces, órás és napos horizonton más jel dominál, és a töltőpont–város skálán teljesen más a zaj.

A „Mesterséges intelligencia az autóiparban” sorozatban ez azért központi téma, mert a villanyautózás nem csak járműtechnológia. Operáció és infrastruktúra. Aki jobban jósol, az olcsóbban üzemeltet, jobb ügyfélélményt ad, és kevesebbet pazarol.

Ha a saját szervezetedben EV-töltési előrejelzésen, kapacitás-tervezésen vagy hasonló AI-projekten dolgozol, én egy dolgot kérdeznék elsőként: melyik döntést akarod holnap reggel jobban meghozni az előrejelzéssel? Ugyanez a kérdés a kórházaknál is működik – és meglepően sok projektet megment.