Climate change is the most urgent issue humankind is confronting today. Carbon emission reduction is the inevitable only solution to improve climate stabilization. In contrast to the conventional internal combustion engine vehicles, which are one of the main responsible for CO2 emission, e-mobilities produce zero tailpipe emissions. This dissertation studies problems arising in integrating electric vehicles and analysis solutions for the transition toward EVs while using green energy resources for re-charging batteries. The general objective of this dissertation is to design a data-driven schema to estimate the amount of energy obtained from RESs to charge EVs in advance, while power quality distortions are taken into account. This study presents an innovative approach to determine the energy consumption of EVs in the future and predict renewable energy generations in the medium range accurately. The data-driven framework is designed to address three classes of the problem for integrating EVs in the power system and charging them with RES considering the following guidelines: interoperability, modularity, scalability, and usability. The first class of problem is related to EV energy consumption prediction for single and large-scale cars. Two different methods to acquire the driving information of people from the real world to forecast EVs' energy consumption are proposed. The first proposed model uses Google Map API and weather information to build a dataset; then, based on this information, two machine learning models, namely decision tree regression and multilayer perceptron, are developed to predict the energy consumption of EVs with high accuracy. Secondly, a real dataset of taxis is utilized to model the driving movement patterns and estimate energy consumed by these taxis if they were an electric model. One of the main outcomes of this study is the identification of demand patterns at any time intervals (day, month, or year) with any desired level of accuracy to adjust the power generation's schedules and prevent any disturbances due to the consequences of charging a massive amount of Evs simultaneously. In the Second class of problems, we study the PV power generation of a parking lot to build an accurate a-day ahead prediction model. PV power generation prediction can efficiently improve the quality of operational scheduling of PV power plants to assure charging EVs with green energy sources. Two models are proposed for online prediction while the historical PV dataset is unavailable and a high-resolution offline prediction considering all PV and meteorological information. The results indicate the reliability and accuracy of two predictive models for a day-ahead PV prediction. Lastly, we analyze the synergic dataset of power quality distortions to make the automatic fast-response classification system for distributed systems such as parking lots connected to RESs such as PVs. In order to increase the speed of classifiers in the big data domain, we analyzed and investigated the importance of each feature. We identified eight dominant features out of twenty-five. The results show that classifiers perform their tasks less than a minute with the same accuracy in all corresponding datasets by considering only these eight dominant features. This thesis presents various original and innovative data-driven frameworks for integrating EVs considering PV systems and PQ distortions based on ML and big data methods. All developed methods and models achieve high accuracy, efficiency, reliability, and scalability since they are developed with big data tools having powerful computational speed capacity.

Il cambiamento climatico è il problema più urgente che l’umanità affronta oggi. La riduzione delle emissioni di carbonio è l’unica inevitabile soluzione per migliorare la stabilizzazione del clima. A differenza dei veicoli tradizionali di motore a combustione, uno dei principali responsabili delle emissioni di CO2, e-mobilities producono zero emissioni. Questa tesi studia i problemi che sorgono nell’integrazione di veicoli elettrici e soluzioni di analisi per la transizione verso i EVs utilizzando risorse di energia rinnovabile per la ricarica delle batterie. L'obiettivo generale di questa tesi è progettare uno schema data-driven per stimare la quantità di energia ottenuta dalle RESs per caricare in anticipo i veicoli elettrici, tenendo conto le distorsioni della qualità dell'energia. Questo studio presenta un approccio innovativo per determinare il consumo energetico di EVs nel futuro e prevedere le generazioni di energia rinnovabile nel medio raggio di precisione. Il data-driven framework è progettato per affrontare tre classi del problema per l'integrazione di EVs nel sistema di alimentazione e caricarli con RES considerando le seguenti linee guida: interoperabilità, modularità, scalabilità e usabilità. La prima classe di problemi è relativa alla previsione del consumo energetico di EV per auto di singole e di grandi dimensioni. Sono proposti due metodi diversi per acquisire informazioni di guida delle persone dal mondo reale per prevedere il consumo di energia di EVs. Il primo modello proposto utilizza Google Map API e le informazioni meteorologiche per creare un dataset; per tanto, sulla base di queste informazioni vengono sviluppati due modelli di machine learning, nominati decision tree regression e multilayer perceptron, per prevedere il consumo di energia di EVs con elevata precisione. In secondo luogo, viene utilizzato un vero dataset di taxi per modellare i pattern del movimento di guida e stimare l'energia consumata da questi taxi se fossero un modello elettrico. Uno dei principali risultati di questo studio è l'identificazione dei modelli di domanda a qualsiasi intervallo di tempo (giorno, mese o anno) con qualsiasi livello di accuratezza desiderato per regolare i programmi di generazione di energia e prevenire eventuali disturbi dovuti alle conseguenze della ricarica di una gran quantità di EV contemporaneamente. Nella Seconda classe di problemi, studiamo la generazione di energia PV di un parcheggio per costruire un modello di previsione accurato del giorno prima. La previsione della generazione di energia PV può migliorare in modo efficiente la qualità della programmazione operativa delle centrali energetiche di PV per garantire la ricarica di EVs con fonti di energia verde. Vengono proposti due modelli per la previsione online mentre il dataset storico PV non è disponibile e una previsione offline ad alta risoluzione considerando tutte le informazioni PV e meteorologiche. I risultati indicano l'affidabilità e l'accuratezza di due modelli predittivi per una previsione PV del giorno prima. Infine, analizziamo il dataset sinergico delle distorsioni della qualità dell'energia per creare il sistema di classificazione automatica a risposta rapida per i sistemi distribuiti come i parcheggi collegati a RESs come i PVs. Al fine di aumentare la velocità dei classificatori nel dominio dei big data, abbiamo analizzato e studiato l'importanza di ciascuna caratteristica. Abbiamo identificato otto caratteristiche dominanti su venticinque. I risultati mostrano che i classificatori svolgono i loro compiti in meno di un minuto con la stessa accuratezza in tutti i dataset corrispondenti, considerando solo queste otto caratteristiche dominanti. Questa tesi presenta vari data-driven frameworks originali e innovativi per l'integrazione di EVs considerando sistemi PV e le distorsioni PQ basate su metodi ML e big data. Tutti i metodi e i modelli sviluppati raggiungono un'elevata precisione, efficienza, affidabilità e scalabilità poiché sono sviluppati con strumenti di big data con una potente capacità di velocità di calcolo.

Data-driven framework for integration electric vehicles considering photovoltaic system and power quality distortions based on advanced machine learning and big data methods

MIRAFTABZADEH, SEYEDMAHDI
2020/2021

Abstract

Climate change is the most urgent issue humankind is confronting today. Carbon emission reduction is the inevitable only solution to improve climate stabilization. In contrast to the conventional internal combustion engine vehicles, which are one of the main responsible for CO2 emission, e-mobilities produce zero tailpipe emissions. This dissertation studies problems arising in integrating electric vehicles and analysis solutions for the transition toward EVs while using green energy resources for re-charging batteries. The general objective of this dissertation is to design a data-driven schema to estimate the amount of energy obtained from RESs to charge EVs in advance, while power quality distortions are taken into account. This study presents an innovative approach to determine the energy consumption of EVs in the future and predict renewable energy generations in the medium range accurately. The data-driven framework is designed to address three classes of the problem for integrating EVs in the power system and charging them with RES considering the following guidelines: interoperability, modularity, scalability, and usability. The first class of problem is related to EV energy consumption prediction for single and large-scale cars. Two different methods to acquire the driving information of people from the real world to forecast EVs' energy consumption are proposed. The first proposed model uses Google Map API and weather information to build a dataset; then, based on this information, two machine learning models, namely decision tree regression and multilayer perceptron, are developed to predict the energy consumption of EVs with high accuracy. Secondly, a real dataset of taxis is utilized to model the driving movement patterns and estimate energy consumed by these taxis if they were an electric model. One of the main outcomes of this study is the identification of demand patterns at any time intervals (day, month, or year) with any desired level of accuracy to adjust the power generation's schedules and prevent any disturbances due to the consequences of charging a massive amount of Evs simultaneously. In the Second class of problems, we study the PV power generation of a parking lot to build an accurate a-day ahead prediction model. PV power generation prediction can efficiently improve the quality of operational scheduling of PV power plants to assure charging EVs with green energy sources. Two models are proposed for online prediction while the historical PV dataset is unavailable and a high-resolution offline prediction considering all PV and meteorological information. The results indicate the reliability and accuracy of two predictive models for a day-ahead PV prediction. Lastly, we analyze the synergic dataset of power quality distortions to make the automatic fast-response classification system for distributed systems such as parking lots connected to RESs such as PVs. In order to increase the speed of classifiers in the big data domain, we analyzed and investigated the importance of each feature. We identified eight dominant features out of twenty-five. The results show that classifiers perform their tasks less than a minute with the same accuracy in all corresponding datasets by considering only these eight dominant features. This thesis presents various original and innovative data-driven frameworks for integrating EVs considering PV systems and PQ distortions based on ML and big data methods. All developed methods and models achieve high accuracy, efficiency, reliability, and scalability since they are developed with big data tools having powerful computational speed capacity.
D'ANTONA, GABRIELE
GRILLO, SAMUELE
FOIADELLI, FEDERICA
13-set-2021
Data-driven framework for integration electric vehicles considering photovoltaic system and power quality distortions based on advanced machine learning and big data methods
Il cambiamento climatico è il problema più urgente che l’umanità affronta oggi. La riduzione delle emissioni di carbonio è l’unica inevitabile soluzione per migliorare la stabilizzazione del clima. A differenza dei veicoli tradizionali di motore a combustione, uno dei principali responsabili delle emissioni di CO2, e-mobilities producono zero emissioni. Questa tesi studia i problemi che sorgono nell’integrazione di veicoli elettrici e soluzioni di analisi per la transizione verso i EVs utilizzando risorse di energia rinnovabile per la ricarica delle batterie. L'obiettivo generale di questa tesi è progettare uno schema data-driven per stimare la quantità di energia ottenuta dalle RESs per caricare in anticipo i veicoli elettrici, tenendo conto le distorsioni della qualità dell'energia. Questo studio presenta un approccio innovativo per determinare il consumo energetico di EVs nel futuro e prevedere le generazioni di energia rinnovabile nel medio raggio di precisione. Il data-driven framework è progettato per affrontare tre classi del problema per l'integrazione di EVs nel sistema di alimentazione e caricarli con RES considerando le seguenti linee guida: interoperabilità, modularità, scalabilità e usabilità. La prima classe di problemi è relativa alla previsione del consumo energetico di EV per auto di singole e di grandi dimensioni. Sono proposti due metodi diversi per acquisire informazioni di guida delle persone dal mondo reale per prevedere il consumo di energia di EVs. Il primo modello proposto utilizza Google Map API e le informazioni meteorologiche per creare un dataset; per tanto, sulla base di queste informazioni vengono sviluppati due modelli di machine learning, nominati decision tree regression e multilayer perceptron, per prevedere il consumo di energia di EVs con elevata precisione. In secondo luogo, viene utilizzato un vero dataset di taxi per modellare i pattern del movimento di guida e stimare l'energia consumata da questi taxi se fossero un modello elettrico. Uno dei principali risultati di questo studio è l'identificazione dei modelli di domanda a qualsiasi intervallo di tempo (giorno, mese o anno) con qualsiasi livello di accuratezza desiderato per regolare i programmi di generazione di energia e prevenire eventuali disturbi dovuti alle conseguenze della ricarica di una gran quantità di EV contemporaneamente. Nella Seconda classe di problemi, studiamo la generazione di energia PV di un parcheggio per costruire un modello di previsione accurato del giorno prima. La previsione della generazione di energia PV può migliorare in modo efficiente la qualità della programmazione operativa delle centrali energetiche di PV per garantire la ricarica di EVs con fonti di energia verde. Vengono proposti due modelli per la previsione online mentre il dataset storico PV non è disponibile e una previsione offline ad alta risoluzione considerando tutte le informazioni PV e meteorologiche. I risultati indicano l'affidabilità e l'accuratezza di due modelli predittivi per una previsione PV del giorno prima. Infine, analizziamo il dataset sinergico delle distorsioni della qualità dell'energia per creare il sistema di classificazione automatica a risposta rapida per i sistemi distribuiti come i parcheggi collegati a RESs come i PVs. Al fine di aumentare la velocità dei classificatori nel dominio dei big data, abbiamo analizzato e studiato l'importanza di ciascuna caratteristica. Abbiamo identificato otto caratteristiche dominanti su venticinque. I risultati mostrano che i classificatori svolgono i loro compiti in meno di un minuto con la stessa accuratezza in tutti i dataset corrispondenti, considerando solo queste otto caratteristiche dominanti. Questa tesi presenta vari data-driven frameworks originali e innovativi per l'integrazione di EVs considerando sistemi PV e le distorsioni PQ basate su metodi ML e big data. Tutti i metodi e i modelli sviluppati raggiungono un'elevata precisione, efficienza, affidabilità e scalabilità poiché sono sviluppati con strumenti di big data con una potente capacità di velocità di calcolo.
File allegati
File Dimensione Formato  
Thesis_Miraftabzadeh.pdf

solo utenti autorizzati dal 28/08/2022

Descrizione: PhD Thesis
Dimensione 54.87 MB
Formato Adobe PDF
54.87 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/178802