Εφαρμογές μηχανικής μάθησης σε ηλεκτρικά οχήματα

Abstract

Η παρούσα εργασία επικεντρώνεται στον τομέα της βαθιάς μάθησης. Πιο συγκεκριμένα, στοχεύει στην αντιμετώπιση του προβλήματος της ακριβούς πρόβλεψης της ενεργειακής ζήτησης των φορτιστών ενός δικτύου φόρτισης ηλεκτρικών οχημάτων. Αρχικά, προτείνεται μια μεθοδολογία επίλυσης του συγκεκριμένου προβλήματος. Η μεθοδολογία αυτή προτείνει τη χρήση τεχνολογιών βαθιάς μάθησης και στόχος της είναι η εξέταση, αξιολόγηση και σύγκριση τριών μοντέλων που βασίζονται στη χρήση συνελικτικών νευρωνικών δικτύων για τη βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης. Η εφαρμογή αυτής της μεθοδολογίας γίνεται με τη χρήση ενός συνόλου δεδομένων ανοικτής πρόσβασης που περιέχει πληροφορίες για ένα δίκτυο φορτιστών εντός της πόλης του Πάλο Άλτο στην Καλιφόρνια. Μετά τη δημιουργία και την εκπαίδευσή τους, τα μοντέλα αξιολογήθηκαν χρησιμοποιώντας το RMSE στις προβλέψεις του συνολικού συστήματος. Με βάση το χαμηλότερο RMSE, προκύπτει ότι το TGCN μοντέλο είναι το ιδανικό μοντέλο για τις προβλέψεις ενεργειακής ζήτησης.