Μοντέλα Ευφυούς Φόρτισης και Πρόβλεψη Ζήτησης σε Σταθμούς Φόρτισης Ηλεκτρικών Οχημάτων

Βραχάμης, Περικλής; Vrachamis, Periklis

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