Πρόβλεψη ωριαίας ζήτησης ενέργειας σε σταθμούς φόρτισης ηλεκτρικών οχημάτων με τη χρήση βαθιών νευρωνικών δικτύων

Abstract

Αναλογικά με την καθημερινή αύξηση του πληθυσμού στον κόσμο, αυξάνονται και οι ανάγκες των ανθρώπων. Με τον ίδιο τρόπο αυξάνονται οι απαιτήσεις στο σύστημα ισχύος και εμφανίζεται η ανάγκη για καλύτερη χρήση της ενέργειας. Η εξάντληση των αποθεμάτων ορυκτών καυσίμων, οι επί του παρόντος κυρίαρχοι ενεργειακοί πόροι, δίνει ένα κάλεσμα αφύπνισης για εξεύρεση εναλλακτικών πηγών ενέργειας για αυτούς τους τομείς. Το Smart Grid, μια αναβάθμιση του τρέχοντος συστήματος που είναι πιο αξιόπιστο, αποδοτικό, προσιτό, ασφαλές και φιλικό προς το περιβάλλον, είναι η λύση σε αυτήν την αυξανόμενη ανησυχία. Τα ηλεκτρικά οχήματα είναι πιθανό να εξυπηρετούν το ηλεκτρικό δίκτυο ως ανεξάρτητη κατανεμημένη πηγή ενέργειας. Από ορισμένες μελέτες έχει αποκαλυφθεί ότι τα περισσότερα οχήματα σταθμεύουν σχεδόν το 95% του χρόνου τους. Σε αυτήν την περίπτωση, μπορούν να παραμείνουν συνδεδεμένοι στο δίκτυο και να είναι έτοιμοι να παραδώσουν την ενέργεια που είναι αποθηκευμένη στις μπαταρίες τους. Λαμβάνοντας υπόψη την πρόοδο των οχημάτων με κινητήρα εσωτερικής καύσης, καθιστώντας τα ηλεκτρικά οχήματα αποτελεσματικά και έτσι δημοφιλή είναι αναμφίβολα ένα δύσκολο έργο. Ένας από τους βασικούς παράγοντες για την αποδοχή των EV στην αγορά θα είναι η διαθεσιμότητα σταθμών φόρτισης. Ταυτόχρονα, οι σταθμοί φόρτισης, πρέπει να γίνουν πιο προηγμένοι, να χρησιμοποιούν ενέργεια σε πιο αποτελεσματικό ζήτημα και, συνεπώς, να παρέχουν καλύτερες υπηρεσίες φόρτισης στους ιδιοκτήτες EV, από άποψη τιμής και διαθεσιμότητας ενέργειας. Αυτή η διατριβή διαμορφώνει τη ζήτηση ενέργειας για ιδιοκτήτες Ηλεκτρικών Οχημάτων, φορτίζοντας σε δημόσιους σταθμούς φόρτισης Αυτός ο αλγόριθμος λαμβάνει ιστορικά δεδομένα των περιόδων φόρτισης ηλεκτρικών οχημάτων και προβλέπει τη μελλοντική ζήτηση με βάση χρονοσειρές, χρησιμοποιώντας ένα LSTM με τη χρήση Keras και Tensorflow στο Python. Ο αλγόριθμος συγκρίνεται με βασικούς αλγόριθμους πρόβλεψης, αποδεικνύοντας την αποτελεσματικότητά του στην πρόβλεψη της ωριαίας ζήτησης ενέργειας σταθμών φόρτισης.