Μέθοδοι προβλεπτικής αναλυτικής με εφαρμογές σε ηλεκτρικά οχήματα

Abstract

Αυτό το άρθρο εστιάζει στην πρόβλεψη της ζήτησης φόρτισης ηλεκτρικών οχημάτων χρησιμοποι- ώντας Επαναλαμβανόμενα Νευρωνικά Δίκτυα (RNNs) και Δίκτυα Διπλής Κατεύθυνσης (Bi-RNNs). Εξετάζεται η ανάπτυξη μεθόδων για την παραγωγή δεδομένων που βελτιώνουν την ακρίβεια των προ- βλέψεων. Σκοπός της μελέτης είναι η πρόβλεψη της ενεργειακής κατανάλωσης κατά τη διάρκεια των συνεδριών φόρτισης και η επίλυση του προβλήματος της δυαδικής ταξινόμησης για την πρόβλεψη της διαθεσιμότητας σταθμών φόρτισης μέσω ενός υβριδικού μοντέλου Μακροπρόθεσμης και Βραχυπρόθε- σμης Μνήμης (Hybrid LSTM). Η έρευνα χρησιμοποιεί προηγμένες τεχνικές μηχανικής μάθησης και εξετάζει μεθοδολογίες δημιουργίας δεδομένων, συμπεριλαμβανομένων των χρονικών και περιβαλλο- ντικών μεταβλητών που επηρεάζουν τη συμπεριφορά φόρτισης. Τα αποτελέσματα καταδεικνύουν την αποτελεσματικότητα του προτεινόμενου υβριδικού μοντέλου στην πρόβλεψη της διαθεσιμότητας των σταθμών φόρτισης, ενώ αναδεικνύουν τις προκλήσεις στην κατασκευή μοντέλων ακριβούς πρόβλεψης ζήτησης φόρτισης. Παράλληλα, η μελέτη προσφέρει πολύτιμες γνώσεις για μελλοντικές ερευνητικές κατευθύνσεις και δυνατότητες προόδου στις μεθοδολογίες προβλεπτικής μοντελοποίησης.