Optimizing energy management and routes for electric vehicules using machine learning and optimization

Autor:	Deschênes, Anthony
Jazyk:	angličtina
Rok vydání:	2024
Předmět:	Véhicules électriques Consommation d'énergie. Optimisation combinatoire. Apprentissage automatique.
Druh dokumentu:	Texte::Thèse::Thèse de doctorat
Popis:	This thesis presents machine learning and combinatorial optimization approaches to solve problems related to electric and hybrid electric vehicles. The combinatorial optimization problems are designed to take as input predictions that can be made by one or more machine learning models. For instance, machine learning-based approaches are proposed to predict the energy consumption of an electric vehicle for a given route and to predict the fast-charging duration of an electric vehicle. Various combinatorial problems are then presented, such as the Fixed Route Electric Vehicle Charging Problem with NonLinear Energy Management, and these problems are solved using algorithms based on Mixed-Integer Linear Programming and dynamic programming. The first problem involves predicting the energy consumption of an electric vehicle based on empirical data. This data comes from an industrial partner, Téo Taxi, and represents real taxi rides. To make this prediction, we use a hybrid model between machine learning and a theoretical model. We then show that the hybrid model performs the best compared to the theoretical model and the machine learning models. We also address the problem of predicting the energy consumption of a new vehicle for which we do not yet have data. The second problem involves predicting the fast-charging duration of an electric vehicle using empirical data. This data also comes from an industrial partner, AddÉnergie, and represents charging sessions performed by real users across Canada. This means that we have data for a wide variety of temperatures, which is known to have a significant impact on the charging duration of an electric vehicle. Different supervised learning models are tested, such as random forest and neural networks. Various variants of each model are also explored. The hyperparameters of the different models are then determined using Bayesian Optimization, with particular attention to the structure of the neural networks. We demonstrate that neural networks, especially when using data augmentation to balance the amount of data per vehicle type, achieve the best results. The third and fourth problems involve developing combinatorial optimization models to optimize an electric vehicle route. The goal is to decide where to stop and the speed to drive on each leg in order to reach the destination as quickly as possible. We propose two algorithms to solve this problem: one based on Mixed-Integer Linear Programming and the other based on dynamic programming. We then demonstrate that the approach based on dynamic programming achieves the best performance. Finally, the fifth and sixth problems involve developing combinatorial optimization models for the energy management of a hybrid electric aircraft. This problem requires deciding the amount of fuel and electricity to take at each terminal as well as how to use the energy across different legs of the route with the overall goal of minimizing total costs. We also propose dynamic programming and Mixed-Integer Linear Programming algorithms to solve this problem. Cette thèse présente des approches d'apprentissage automatique et d'optimisation combinatoire pour résoudre des problèmes en lien avec les véhicules électriques et hybrides électriques. Les problèmes d'optimisation combinatoire sont conçus pour prendre en entrée des prédictions pouvant être émises par un ou plusieurs modèles d'apprentissage automatique. Par exemple, des approches basées sur l'apprentissage automatique sont proposées pour prédire la consommation électrique d'un véhicule électrique pour un itinéraire donné ainsi que pour prédire le temps de recharge rapide d'un véhicule électrique. Différents problèmes d'optimisation combinatoires sont ensuite présentés, comme le Fixed Route Electric Vehicle Charging Problem with NonLinear Energy Management, et ces problèmes sont résolus grâce à des algorithmes basés sur la programmation linéaire mixte ainsi que la programmation dynamique. Le premier problème consiste à prédire la consommation d'un véhicule électrique à partir de données empiriques. Ces données viennent d'un partenaire industriel, TÉO Taxi, et représentent de vraies courses de taxi. Pour faire cette prédiction, nous utilisons un modèle hybride entre l'apprentissage automatique et un modèle théorique. Nous montrons ensuite que le modèle hybride est celui qui performe le mieux en comparaison avec le modèle théorique et les modèles d'apprentissage automatique seuls. Nous nous attaquons également à la prédiction de la consommation pour un nouveau véhicule pour lequel nous n'aurions pas encore de données. Le deuxième problème consiste à prédire le temps de recharge rapide d'un véhicule électrique à partir de données empiriques. Ces données viennent également d'un partenaire industriel, AddÉnergie, et représentent des séances de recharge faites par de vrais utilisateurs partout au Canada. Cela implique donc que nous avons des données pour une grande variété de températures, qui est connue pour avoir un grand impact sur la durée de recharge d'un véhicule électrique. Différents modèles d'apprentissage supervisé sont testés, comme les forêts aléatoires et les réseaux de neurones. Différentes variantes de chaque modèle sont également explorées. Les hyperparamètres des différents modèles sont ensuite déterminés en utilisant l'optimisation bayésienne, avec une attention particulière sur la structure des réseaux de neurones. Nous démontrons finalement que les réseaux de neurones, particulièrement lorsque nous utilisons l'augmentation de données pour équilibrer le nombre de données par type de véhicule, obtiennent les meilleurs résultats. Les troisième et quatrième problèmes consistent à développer des modèles d'optimisation combinatoire pour optimiser un itinéraire en véhicule électrique. L'objectif est de décider à quel endroit s'arrêter ainsi que la vitesse à rouler pour atteindre la destination le plus rapidement possible. Nous proposons deux algorithmes pour résoudre ce problème : un basé sur la programmation linéaire mixte et un autre basé sur la programmation dynamique. Nous démontrons ensuite que l'approche basée sur la programmation dynamique obtient les meilleures performances. Finalement, les cinquième et sixième problèmes consistent à développer des modèles d'optimisation combinatoire pour le problème de gestion de l'énergie d'un aéronef hybride électrique. Ce problème consiste à décider la quantité de carburant et d'électricité à prendre à chaque terminal ainsi qu'à décider comment utiliser l'énergie sur les différents segments de la route dans l'objectif de minimiser les coûts totaux. Nous proposons également des algorithmes de programmation dynamique et de programmation linéaire mixte pour résoudre ce problème.
Databáze:	Networked Digital Library of Theses & Dissertations
Externí odkaz:	https://hdl.handle.net/20.500.11794/155844 Zobrazit plný text záznamu