Modélisation statistique des comportements de charge des véhicules électriques

Autor: Amara-Ouali, Yvenn
Přispěvatelé: Laboratoire de Mathématiques d'Orsay (LMO), Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS), Statistique mathématique et apprentissage (CELESTE), Inria Saclay - Ile de France, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire de Mathématiques d'Orsay (LMO), Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS)-Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS), Université Paris-Saclay, Pascal Massart, Jean-Michel Poggi, Yannig Goude, Hui Yan
Jazyk: angličtina
Rok vydání: 2022
Předmět:
Zdroj: Applications [stat.AP]. Université Paris-Saclay, 2022. English. ⟨NNT : 2022UPASM020⟩
Popis: The development of electric vehicles (EV) is a major lever towards low-carbon transport. It comes with a growing number of charging infrastructures that can be used as flexible assets for the grid. To enable this smart-charging, an effective daily forecast of the charging behavior is necessary. In this context, the objective of this thesis is threefold: (a) to identify current modeling techniques and open data available (b) to propose new EV charging methodologies to characterize their charging behaviours (c) to specify innovative techniques for daily peak load forecasting. The first chapter of the manuscript presents the industrial issues and introduces the modeling framework for EV charging. Chapter 2 is a review of state of the art EV load models as well as an exploration of 8 open charging session datasets. Chapter 3 offers a comparative study of 14 EV load and occupancy models on the 8 datasets presented in the previous chapter. Chapter 4 introduces a model for EV arrivals as a non-homogeneous Poisson process with additive spline and wavelet effects. Finally, Chapter 5 introduces a model for daily electrical peaks with a multi-resolution approach. We show that the approaches proposed in our work are competitive with the best existing alternatives by evaluating their performance on real-world data.; Le développement des véhicules électriques (VEs) est un levier majeur vers un transport bas carbone. Il s'accompagne d'un nombre croissant d'infrastructures de recharge qui peuvent être utilisées comme actifs flexibles de gestion du réseau. Pour permettre cette recharge intelligente, une prévision journalière efficace des comportements de charge est nécessaire. Dans ce contexte, l'objectif de cette thèse est triple : (a) identifier les techniques de modélisation actuelles et les données ouvertes disponibles (b) proposer de nouvelles méthodologies de charge des VE pour caractériser leurs comportements de charge (c) spécifier des techniques innovantes pour la prévision des pics de consommation. Le premier chapitre du manuscrit présente les enjeux industriels et introduit le cadre de la modélisation de la charge des VE. Le chapitre 2 présente un examen approfondi des modèles de charge de VE à l'état de l'art ainsi qu'une exploration de 8 jeux de données ouverts de sessions de recharge trouvés dans cette recherche. Le chapitre 3 propose une étude comparative de 14 modèles de charge et d'occupation des VE sur les 8 jeux de données présentés au cours du chapitre précédent. Le chapitre 4 propose un modèle pour les arrivées des VE aux points de charge sous la forme d'un processus de Poisson non homogène avec des effets additifs projetés sur des bases de splines et d'ondelettes. Enfin, le chapitre 5 présente un modèle pour la prévision journalière des pics de demande électrique avec une approche multi-résolution. Nous montrons que les approches proposées dans nos travaux sont compétitives avec les meilleures alternatives existantes en évaluant leurs performances sur des données réelles.
Databáze: OpenAIRE
Externí odkaz: