Hybrid ARBS-Net framework for accurate energy forecasting in smart grid-driven electric mobility environments

Abstract

The main objective of this study are to develop an intelligent forecasting for Electric Vehicle Charging Station (EVCS) and to significantly enhance the accuracy of energy consumption forecasting in renewable integrated smart grid environments. These objectives are achieved through solving the following tasks: implementing data preprocessing to handle missing values, remove outliers and eliminate inconsistent observations for improving dataset reliability; performing feature engineering for generating meaningful temporal and derived variables that strengthen model interpretability; and carrying out detailed Exploratory Data Analysis (EDA) for extracting statistical trends, recognize correlations and uncover hidden temporal dependencies in energy consuption behaviour. Structure on the preparatory stages, a hybrid Deep Learning (DL) approach using a Radial Basis Spiking Net (ARBSNet) is developed by combining radial basis kernal (RBF) with temporal behavior of Spiking Neural Networks (SNN), enhanced with attention mechanisms for capturing non-linear fluctuations and time varying required pattern. The most important results obtained from Python based experiments highlight enhancement in forcasting performance, with the proposed model achieving a Mean Squared Error (MSE) of 0.1183, a Mean Absolute Error (MAE) of 0.2694, a Root Mean Squared Error (RMSE) of 0.3439, and an overall prediction accuracy reaching a 2 R score of 0.99. The significant of the results lies in their ability to support predictive energy allocation, optimize load balancing strategies and improve grid stability. By providing highly dependable demand forecasts for charging infrastructure, the proposed framework contributes to the sustainable integration of electric mobility within future smart energy systems.

Scopul principal al acestei cercetări constă în dezvoltarea unui sistem inteligent de prognoză pentru stațiile de încărcare pentru vehicule electrice (EVCS) și în îmbunătățirea semnificativă a preciziei de prognoză a consumului energetic în cadrul rețelelor inteligente integrate care utilizează surse regenerabile de energie. Aceste obiective sunt atinse prin rezolvarea următoarelor sarcini: implementarea preprocesării datelor pentru a gestiona valorile lipsă, a elimina valorile aberante și a elimina observațiile inconsistente pentru îmbunătățirea fiabilității setului de date; efectuarea ingineriei caracteristicilor pentru generarea de variabile temporale și derivate semnificative care consolidează interpretabilitatea modelului; și efectuarea unei analize exploratorii de date (EDA) detaliate pentru extragerea tendințelor statistice, recunoașterea corelațiilor și descoperirea dependențelor temporale ascunse în comportamentul de consum de energie. În etapele pregătitoare, este dezvoltată o abordare hibridă de Deep Learning (DL) utilizând o rețea Radial Basis Spiking Network (ARBS-Net) prin combinarea nucleului radial (RBF) cu comportamentul temporal al rețelelor neuronale Spiking Network (SNN), îmbunătățită cu mecanisme de atenție pentru captarea fluctuațiilor neliniare și a modelului necesar variabil în timp. Cele mai importante rezultate obținute din experimentele bazate pe Python evidențiază îmbunătățirea performanței de prognoză, modelul propus atingând o eroare medie pătratică (MSE) de 0.1183, o eroare medie absolută (MAE) de 0.2694, o eroare medie pătratică (RMSE) de 0.3439 și o precizie generală de predicție de 0.99. Semnificația rezultatelor constă în capacitatea lor de a susține alocarea predictivă a energiei, de a optimiza strategiile de echilibrare a sarcinii și de a îmbunătăți stabilitatea rețelei.

Основная цель данного исследования заключается в разработке интеллектуальной системы прогнозирования для зарядных станций электромобилей (EVCS) и значительном повышении точности прогнозирования энергопотребления в интегрированных интеллектуальных сетях, использующих возобновляемые источники энергии. Эти цели достигаются путем решения следующих задач: реализация предварительной обработки данных для обработки отсутствующих значений, удаления выбросов и устранения несогласованных наблюдений для повышения надежности набора данных; выполнение инжиниринга признаков для генерации значимых временных и производных переменных, которые усиливают интерпретируемость модели; и проведение подробного эксплораторного анализа данных (EDA) для извлечения статистических тенденций, распознавания корреляций и выявления скрытых временных зависимостей в поведении энергопотребления. На подготовительных этапах разработан гибридный подход глубокого обучения (DL) с использованием радиальной базовой спайк-сети (ARBS-Net) путем объединения радиального базового ядра (RBF) с временным поведением спайк-нейронных сетей (SNN), усовершенствованных с помощью механизмов внимания для улавливания нелинейных колебаний и требуемых временных изменений. Наиболее важные результаты, полученные в ходе экспериментов на основе Python, подчеркивают улучшение прогнозирующей способности, при этом предлагаемая модель достигает среднеквадратичной ошибки (MSE) 0.1183, средней абсолютной ошибки (MAE) 0.2694, среднеквадратичной ошибки (RMSE) 0.3439 и общей точности прогнозирования, достигающей 0.99. Значимость результатов заключается в их способности.