Energy consumption prediction of electric vehicles based on big data approach

Due to environmental and energy goals to protect the environment and climate, the attractiveness of electric vehicles has risen sharply, because local emissions from sources such as the combustion engine are reduced. Therefore, especially in urban centers electro mobility experiences a political accord. However, even technical framework conditions must be created in order to increase the acceptance of electric vehicles. There are extraordinary challenges in the building of infrastructure and the inherent disadvantages of the energy storage technologies. Energy prediction models are used in Electric Vehicles(EV) as a performance evaluation engine in advanced control and optimization, and in making informed decisions by facility managers and utilities for enhanced energy efficiency, and reduce range anxiety. Electric Vehicles (EVs) have limited energy storage capacity and the maximum autonomy range is strongly dependent on a number of external factors such as road topology, traffic, driving style, ambient temperature, etc. Due to the fact of that batteries cannot be recharged quickly during a journey, it is essential that a precise range prediction is available to the driver of the EV. The goal of the proposed procedure in this dissertation is implementing a software algorithm based on Big Data Machine Learning approach in order to predict energy consumption of electric vehicles takes into the account corresponding impact factors. In this context drivers of EV’s are unsettled by inaccurate prediction of residual range. The methodology was developed that allows a more precise forecasting and optimization of the residual range of electric vehicles. With this information, it is possible to check if the desired destination is achievable without a stop to charging the batteries, or even if to reach the destination it is necessary to perform an optimized driving (e.g., cutting the air-conditioning, among others EV parameters). The outcome of this research work will help users to take efficient decisions about route planning, charging management and energy efficiency. Therefore, it will contribute to foster EVs adoption as a new paradigm in the transportation sector. Furthermore, it will help to identify the hot spots of a city to construct the charging points and prevent likely disturbance occurrence to the power grid when considerable EVs start to be charged. This procedure will be implemented on the prediction of energy consumption of Renault Neo Electric vehicle based on the route and weather information for six different cities with different traffic and weather conditions. This model has great potential for future improvement.

A seguito degli obiettivi ambientali e energetici per proteggere l'ambiente e il clima, l'attrattiva dei veicoli elettrici è aumentata notevolmente affinché si riducano le emissioni locali provenienti da parti quali il motore a combustione. Pertanto, soprattutto nei centri urbani, la mobilità elettrica ha visto incrementare il supporto delle istituzioni. Tuttavia, anche le infrastrutture di supporto devono essere create per aumentare l’utilizzo dei veicoli elettrici. Pertanto ci sono sfide straordinarie nella costruzione dell'infrastruttura e svantaggi intrinseci propri delle tecnologie di stoccaggio dell'energia. I modelli di previsione energetica vengono utilizzati nei veicoli elettrici (EV) come strumento di valutazione delle prestazioni, nel controllo e ottimizzazione avanzati e nelle decisioni da parte dei gestori di strutture e delle utility affinchè ci sia una maggiore efficienza energetica e nella riduzione dell’ansia dovuta all’autonomia. I veicoli elettrici (EV) hanno una limitata capacità di stoccaggio dell'energia e la loro autonomia dipende fortemente da una serie di fattori esterni quali la topologia di strada, il traffico, lo stile di guida, la temperatura ambientale, etc. Poichè le batterie non possono essere ricaricate rapidamente durante un viaggio, è essenziale che una previsione di autonomia precisa sia a disposizione del conducente dell'EV. L'obiettivo della tesi è l'implementazione di un algoritmo basato sull'approccio di Big Data Machine Learning per prevedere il consumo di energia dei veicoli elettrici, prendendo in considerazione i fattori di impatto corrispondenti. In questo contesto, i driver dell’ EV sono caratterizzati da una previsione imprecisa dell’autonomia residua. La metodologia è stata sviluppata per consentire una previsione più precisa e ottimizzata dell’autonomia residua dei veicoli elettrici. Con queste informazioni è possibile verificare se la destinazione desiderata è raggiungibile senza ricaricare le batterie oppure, se per raggiungere la destinazione, è necessaria una guida ottimizzata (ad esempio, tagliare l'aria condizionata, o variare gli altri parametri). L'esito di questo lavoro di ricerca aiuterà gli utenti a prendere decisioni efficienti sulla pianificazione del percorso, sulla gestione della ricarica e sull'efficienza energetica. Pertanto, contribuirà a promuovere l'adozione dell’ EV come nuovo paradigma nel settore dei trasporti. Inoltre, aiuterà a individuare zone rilevanti di una città per costruire i punti di ricarica e impedire che si verifichi un eventuale disturbo alla rete elettrica durante la fase di ricarica dell’ EV. Questa procedura sarà implementata sulla previsione del consumo di energia del veicolo Renault Neo Electric in base alle informazioni sui percorsi e sulle condizioni meteorologiche per sei diverse città con diverse condizioni traffico e meteo. Questo modello ha un grande potenziale per un futuro sviluppo.