Ανάλυση δεδομένων σταθμών φόρτισης ηλεκτρικών οχημάτων και δημιουργία μοντέλου πρόβλεψης χώρου φόρτισης

Νικολάου, Νικόλαος; Nikolaou, Nikolaos

dc.contributor.author	Νικολάου, Νικόλαος	el
dc.contributor.author	Nikolaou, Nikolaos	en
dc.date.accessioned	2021-12-14T12:21:17Z
dc.date.available	2021-12-14T12:21:17Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54172
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21870
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-οικονομικά συστήματα”	el
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Ηλεκτρικά οχήματα	el
dc.subject	Σταθμοί φόρτισης	el
dc.subject	Στατιστική ανάλυση	el
dc.subject	Μοντέλα πρόβλεψης	el
dc.subject	Charging stations	en
dc.subject	Electric vehicles	en
dc.subject	Statistical analysis	en
dc.subject	Forecast models	en
dc.title	Ανάλυση δεδομένων σταθμών φόρτισης ηλεκτρικών οχημάτων και δημιουργία μοντέλου πρόβλεψης χώρου φόρτισης	el
heal.type	masterThesis
heal.classification	ΑΝΑΛΥΣΗ ΚΑΙ ΠΡΟΒΛΕΨΗ ΔΕΔΟΜΕΝΩΝ	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-13
heal.abstract	Στόχος της παρούσας διπλωματικής εργασίας είναι τόσο η βιβλιογραφική παρουσίαση του τρόπου λειτουργίας των Ηλεκτρικών Οχημάτων και της κατάστασης που επικρατεί στην αγορά, όσο και η ανάλυση των δεδομένων από σταθμούς φόρτισης, οι οποίοι θα μπορούσαν να δώσουν χρήσιμα συμπεράσματα για τις συνήθειες των οδηγών ως προς τη διαδικασία της φόρτισης σε σταθμούς με δημόσια πρόσβαση (τόσο ιδιωτικής, όσο και δημόσιας ιδιοκτησίας). Για το σκοπό αυτό, γίνεται επεξεργασία διάφορων δεδομένων με τη βοήθεια της γλώσσας προγραμματισμού R από σταθμούς φόρτισης Ηλεκτρικών Οχημάτων στην Ουγγαρία, μετά από φιλτράρισμα του datasetγια τη διατήρηση μόνο δεδομένων που έχουν λογικές τιμές. Η επεξεργασία αυτή δίνει αποτελέσματα ως προς τον χρόνο φόρτισης και την ποσότητα του φορτίου που καταναλώνεται ανάλογα με την ημέρα, την ώρα έναρξης της φόρτισης για τα διάφορα είδη χώρων που εδρεύει ο κάθε φορτιστής, αλλά και ως προς τις τεχνικές λεπτομέρειες του. Παρατηρείται από την ανάλυση αυτή ότι ο χρόνος που παραμένει ένα όχημα στον σταθμό φόρτισης εξαρτάται σε σημαντικό βαθμό από την ώρα έναρξης, ενώ αντίθετα δεν υπάρχει τόσο μεγάλη εξάρτηση από την ημέρα που εκτελείται η διαδικασία. Στη συνέχεια, δημιουργείται μία δυαδική μεταβλητή (χώροι ιδιωτικής και δημόσιας ιδιοκτησίας), η οποία ακολουθεί διωνυμική κατανομή, προκειμένου να εφαρμοστεί ένα μοντέλο λογιστικής παλινδρόμησης που να προβλέπει ανάλογα με τα δεδομένα που παρέχονται σε ποια κατηγορία χώρου είναι πιθανότερο να βρίσκεται το όχημα. Τα δεδομένα που επηρεάζουν τη συγκεκριμένη πρόβλεψη είναι η κατανάλωση ενέργειας ανά σταθμό, η ημέρα που πραγματοποιείται η φόρτιση, η ώρα έναρξης και ο συνολικός χρόνος φόρτισης ανά σταθμό.	el
heal.abstract	The aim of this Diploma Thesis is both the bibliographic presentation of the operation of Electric Vehicles and the situation prevailing in the market, as well as the analysis of data from charging stations, which could give useful conclusions about the habits of drivers in terms of charging process at stations with public access (both private and publicly owned). For this purpose, various data from charging stations of Electric Vehicles in Hungary are processed with the help of the R programming language, after filtering the dataset to preserve only data that have reasonable values. This treatment gives results in terms of charging time and the amount of load consumed, depending on the day and the start time of charging for the different types of areas where each charger is located, but also in terms of the technical details of each one. It is observed from this analysis that the time that a vehicle remains at the charging station depends to a large extent on the starting time, while on the contrary there is not so much dependence on the day the procedure is performed. Then, a binary variable (private and public property areas) is created, which follows a binomial distribution, in order to apply a logistic regression model that predicts depending on the data provided in which category of space the vehicle is most likely to be located. The data that affect this forecast are the power consumption per station, the day of charging, the start time and the total charging time per station.	el
heal.advisorName	ΔΟΥΚΑΣ, ΧΡΥΣΟΣΤΟΜΟΣ	el
heal.committeeMemberName	ΔΟΥΚΑΣ, ΧΡΥΣΟΣΤΟΜΟΣ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	105 σ.	el
heal.fullTextAvailability	false