โมเดลการเรียนรู้ด้วยเครื่องเพื่อทำนายความต้องการในการอัดประจุรถยนต์พลังงานไฟฟ้า

ปรัชญา อุดมปริฉัตร

dc.contributor.advisor	กุลธิดา โรจน์วิบูลย์ชัย
dc.contributor.advisor	พีรพล เวทีกูล
dc.contributor.author	ปรัชญา อุดมปริฉัตร
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2023-08-04T07:36:19Z
dc.date.available	2023-08-04T07:36:19Z
dc.date.issued	2565
dc.identifier.uri	https://cuir.car.chula.ac.th/handle/123456789/83095
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2565
dc.description.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
dc.description.abstractalternative	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.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2022.778
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.title	โมเดลการเรียนรู้ด้วยเครื่องเพื่อทำนายความต้องการในการอัดประจุรถยนต์พลังงานไฟฟ้า
dc.title.alternative	Machine learning model for predicting EV charging demand
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2022.778