Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
Machine learning model for predicting EV charging demand
Year (A.D.)
2022
Document Type
Thesis
First Advisor
กุลธิดา โรจน์วิบูลย์ชัย
Second Advisor
พีรพล เวทีกูล
Faculty/College
Faculty of Engineering (คณะวิศวกรรมศาสตร์)
Department (if any)
Department of Computer Engineering (ภาควิชาวิศวกรรมคอมพิวเตอร์)
Degree Name
วิทยาศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
วิทยาศาสตร์คอมพิวเตอร์
DOI
10.58837/CHULA.THE.2022.778
Abstract
การควบคุมการอัดประจุรถยนต์พลังงานไฟฟ้าอัจฉริยะ (Smart Charging) เป็นวิธีการจัดกำหนดการอัดประจุรถยนต์ไฟฟ้าให้ได้อย่างเหมาะสม ทำให้สถานีอัดประจุสาธารณะทำกำไรได้มากขึ้น ผลกำไรดังกล่าวนี้มักมาจากการลดค่าใช้จ่ายของค่าความต้องการพลังงานไฟฟ้าสูงสุดโดยที่ยังคงสามารถตอบสนองความต้องการของผู้ใช้รถยนต์ไฟฟ้าได้ สถานีอัดประจุสาธารณะที่มีการใช้ Smart charging ส่วนใหญ่จะให้ผู้ใช้รถยนต์ไฟฟ้าเป็นผู้กำหนดความต้องการของพวกเขาเอง อย่างไรก็ตามผู้ใช้รถยนต์ไฟฟ้าอาจจะป้อนข้อมูลความต้องการที่ไม่ตรงกับความเป็นจริง ส่งผลให้ผลกำไรของสถานีอัดประจุสาธารณะลดลงได้ ในงานวิจัยนี้ผู้ทำจิจัยได้ทำการนำเสนอ End-to-end framework ซึ่งมีเป้าหมายในการสร้างกำไรสูงสุดแก่สถานีอัดประจุสาธารณะโดยที่ยังคงตอบสนองกับความต้องการของผู้ใช้รถยนต์ไฟฟ้า โดย framework จะประกอบด้วยโมดูลหลักสองอย่าง ได้แก่ โมดูลการพยากรณ์ความต้องการของผู้ใช้รถยนต์ไฟฟ้าอันได้แก่ระยะเวลาในการเชื่อมต่อและความต้องการพลังงานไฟฟ้า ที่ใช้เทคนิคการเรียนรู้ของเครื่อง (machine learning) ต่างๆ เช่น XGBoost, Random Forest (RF), และ TabNet กับโมดูลการหาค่าที่เหมาะสมที่สุดในการจัดกำหนดการอัดประจุของรถยนต์ไฟฟ้าที่มีพื้นฐานจากเทคนิค Model predictive control (MPC) ซึ่งโมดูลการหาค่าที่เหมาะสมที่สุดนี้ได้รับการปรับปรุงให้ดีขึ้นโดยใช้ข้อมูลจากการป้อนกลับและพฤติกรรมของการดึงกระแสของรถยนต์ไฟฟ้าที่เรียกว่า Constant Current Constant Voltage (CC-CV) การทดลองได้ทำกับข้อมูลธุรกรรมการอัดประจุจริงจากกับสี่สถานีอัดประจุ จากผลการทดลองพบว่า framework นั้นสามารถทำให้สถานีอัดประจุได้รับกำไรที่มากขึ้น
Other Abstract (Other language abstract of ETD)
Smart Charging of Electric Vehicles (EVs) is a method of optimizing the EV charging schedule. As a result, it can provide more profit for EV charging stations. This profit usually comes from reducing the peak demand charge cost while still satisfying the EV user demand. Most charging stations let EV users input their demand. However, users can intentionally or unintentionally poorly estimate their demand, leading to lower profit for EV charging stations. In this thesis, an end-to-end framework of Smart Charging that aims to maximize the profit of charging stations while satisfying EV user demand has been proposed. The framework consists of two main modules. First, the demand forecasting module focuses on predicting the EV user’s energy demand and session duration using various machine learning techniques, e.g., XGBoost, Random Forest (RF), and TabNet. Second, the EV charging schedule optimization based on model predictive control (MPC) has been employed to optimize the charging schedule. The optimization module has been further improved by using the feedback information and behavior of EV charging profiles called Constant Current Constant Voltage (CC-CV). The experiment was conducted on simulation with real EV charging data up to four charging stations. The results showed that the framework improves profit for the charging stations.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
อุดมปริฉัตร, ปรัชญา, "โมเดลการเรียนรู้ด้วยเครื่องเพื่อทำนายความต้องการในการอัดประจุรถยนต์พลังงานไฟฟ้า" (2022). Chulalongkorn University Theses and Dissertations (Chula ETD). 6488.
https://digital.car.chula.ac.th/chulaetd/6488