HEAL DSpace

Μοντέλα Ευφυούς Φόρτισης και Πρόβλεψη Ζήτησης σε Σταθμούς Φόρτισης Ηλεκτρικών Οχημάτων

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Βραχάμης, Περικλής el
dc.contributor.author Vrachamis, Periklis en
dc.date.accessioned 2022-04-11T08:17:49Z
dc.date.available 2022-04-11T08:17:49Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/55055
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.22753
dc.rights Default License
dc.subject Ηλεκτρικά Οχήματα el
dc.subject Ηλεκτροκίνηση el
dc.subject Παλινδρόμηση Διανυσμάτων Υποστήριξης el
dc.subject Σταθμοί Φόρτισης el
dc.subject Ενεργειακή Ζήτηση el
dc.subject Electric Vehicles en
dc.subject Electromobility en
dc.subject Support Vector Regression en
dc.subject Charging Stations en
dc.subject Energy Demand en
dc.title Μοντέλα Ευφυούς Φόρτισης και Πρόβλεψη Ζήτησης σε Σταθμούς Φόρτισης Ηλεκτρικών Οχημάτων el
heal.type bachelorThesis
heal.classification ΗΛΕΚΤΡΙΚΕΣ ΒΙΟΜΗΧΑΝΙΚΕΣ ΔΙΑΤΑΞΕΙΣ ΚΑΙ ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2021-11-05
heal.abstract Η ατμοσφαιρική ρύπανση αποτελεί σοβαρό πρόβλημα και προκαλεί σημαντικό κίνδυνο στην υγεία των ανθρώπων. Οι οδικές μεταφορές ευθύνονται για σημαντικό ποσοστό των συνολικών εκπομπών διοξειδίου του άνθρακα στις πόλεις, όπου το μεγαλύτερο μέρος του ποσοστού προέρχεται από τα επιβατικά οχήματα. Τα ηλεκτρικά οχήματα (EV) αντιπροσωπεύουν ένα από τα πιο πολλά υποσχόμενα μονοπάτια για την αύξηση της ενεργειακής ασφάλειας και τη μείωση των ρύπων. Για να γίνει επιτυχής η ανάπτυξη των ηλεκτρικών οχημάτων, κρίνεται απαραίτητη η ανάπτυξη των υποδομών φόρτισης ηλεκτρικών οχημάτων σε δημόσιες ή ιδιωτικές ιδιοκτησίες. Για τη φόρτιση των ηλεκτρικών οχημάτων υπάρχουν τρεις βασικοί τρόποι, η αγώγιμη φόρτιση, η ασύρματη και η εναλλαγή της μπαταρίας. Στην παρούσα διπλωματική δίνεται έμφαση στην αγώγιμη φόρτιση, καθώς αποτελεί τον πιο συχνά χρησιμοποιούμενο τρόπο φόρτισης γιατί μπορεί να πραγματοποιηθεί σε οποιοδήποτε χώρο βρίσκονται σταθμοί φόρτισης με τη χρήση ενός καλωδίου. Οι σταθμοί φόρτισης χωρίζονται σε εναλλασσόμενου ρεύματος σταθμούς (AC EVSE) και σε συνεχούς ρεύματος σταθμούς (DC EVSE). Οι διαφορές του είναι αρκετές και εντοπίζονται κυρίως στη διάρκεια και στην ισχύ φόρτισης, καθώς και στην αρχιτεκτονική του φορτιστή ή των φορτιστών. Η πρόβλεψη της μελλοντικής ενεργειακής ζήτησης των σταθμών φόρτισης καθίσταται πολύ σημαντική για τη διαδικασία λήψης αποφάσεων στον τομέα της ηλεκτρικής ενέργειας, ιδιαίτερα μετά την απελευθέρωση των αγορών ενέργειας, καθώς και για μελέτη σκοπιμότητας των εταιριών που δραστηριοποιούνται στην παροχή υπηρεσιών φόρτισης. Η βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης των σταθμών φόρτισης συμβάλει καθοριστικά στην αξιοπιστία ενός συστήματος ηλεκτρικής ενέργειας (ΣΗΕ) και στην αποτελεσματική του λειτουργία. Υψηλά σφάλματα στην πρόβλεψη ζήτησης φορτίου των ηλεκτρικών οχημάτων μπορεί να οδηγήσει σε τεράστια οικονομικά (εφεδρεία συστήματος) και λειτουργικά κόστη (ευστάθεια ισχύος και τάσης). Διάφορες τεχνικές έχουν αναπτυχθεί για τη βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης των σταθμών φόρτισης. Οι τεχνικές αυτές διακρίνονται κυρίως σε στατιστικά μοντέλα πρόβλεψης και ειδικότερα σε μοντέλα τεχνητής νοημοσύνης (AL). Η μελέτη και πρόβλεψη της ενεργειακής ζήτησης σε σταθμούς φόρτισης ηλεκτρικών οχημάτων αποτελεί μια στοχαστική, μη στάσιμη διαδικασία, η οποία επηρεάζεται από πλήθος παραγόντων με πιο σημαντικές τις καιρικές συνθήκες, τους ημερολογιακούς παράγοντες, τον ανθρώπινο συντελεστή άγχους ως προς την επάρκεια χιλιομέτρων, τους εποχιακούς παράγοντες και τα τυχαία γεγονότα. Λόγω της δυσκολίας αναγνώρισης των σχέσεων, μεταξύ των παραμέτρων, καθώς και την ανάγκη ενσωμάτωσης του ανθρώπινου παράγοντα χρησιμοποιήθηκε μέθοδος μηχανικής μάθησης (Machine Learning), η οποία τα τελευταία χρόνια έχει δεχτεί μεγάλη ανάπτυξη και χρησιμοποιείται αποτελεσματικά για την πρόβλεψη τέτοιων προβλημάτων. Τα μοντέλα μηχανικής μάθησης βασίζονται σε ιστορικά δεδομένα και εκπαιδεύονται μέσα από αυτά. Στην κατηγορία αυτή εντάσσεται η παλινδρόμηση διανυσμάτων υποστήριξης (Support Vector Regression) που θα χρησιμοποιηθεί για τη βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης σε σταθμό φόρτισης ηλεκτρικών οχημάτων. Το σύνολο των ιστορικών δεδομένων που θα χρησιμοποιηθεί αφορά ένα σημείο φόρτισης στα Μελλίσια Αττικής με φόρτιση ενός μόνο υβριδικού ηλεκτρικού αυτοκινήτου. Αρχικά, επιχειρείται η ανάλυση των διαθέσιμων δεδομένων για την εξακρίβωση των σχέσεων και τον προσδιορισμό των μοτίβων. Στη συνέχεια πραγματοποιείται η βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης σε σταθμό φόρτισης ηλεκτρικού οχήματος με τη χρήση της μεθόδου παλινδρόμησης διανυσμάτων υποστήριξης (SVR). Για την υλοποίηση του αλγορίθμου γίνεται χρήση του περιβάλλον Jupyter notebook, της γλώσσας Python και της βιβλιοθήκης Scikit-Learn, που αποτελεί δημοφιλή βιβλιοθήκη μηχανικής μάθησης. Τέλος, προτείνεται η καταλληλότερη δομή του κώδικα πρόβλεψης και η βέλτιστη συνάρτηση πυρήνα (kernel) για τη βραχυπρόθεσμη πρόβλεψη ενεργειακής ζήτησης σε σταθμούς φόρτισης ηλεκτρικών οχημάτων με χρονικό ορίζοντα ενός μήνα. el
heal.advisorName Δούκας, Χρυσόστομος el
heal.committeeMemberName Δούκας, Χρυσόστομος el
heal.committeeMemberName Ψαρράς, Ιωάννης el
heal.committeeMemberName Ασκούνης, Δημήτρης el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων el
heal.academicPublisherID ntua
heal.numberOfPages 144 σ. el
heal.fullTextAvailability false


Files in this item

This item appears in the following Collection(s)

Show simple item record