Modern approaches based on machine learning techniques for day-ahead electric vehicles power forecast

The growing concern about CO2 and other greenhouse gas emissions, associated with the consumption of fossil fuels has contributed in recent years to the development of greater awareness among consumers, which pushes them to choose environmentally sustainable solutions. One of the sectors that produce the highest emissions of CO2 is that of transport, in which in the last ten years there has been a process of decarbonization, which has led to a considerable increase in Electric Vehicles (EVs) in circulation. However, the sudden introduction of a large number of electric vehicles could cause problems in the management of the electric network which must cope with the consequent increase in the load. In this context, the prediction of the power curve associated with the recharge of EVs becomes of vital importance to ensure the reliability of the electricity grid. In this paper, different models of Machine Learning (LSTM, GRU, SequencetoSequence, Attention mechanisms) are compared based on their capability to predict the power curve of a charging station one day in advance. The data used to train and test the network comes from a real-world dataset made available by the Adaptive Charging Network (ACN). A second real-world dataset, containing data from charging stations in private houses, is instead used to test the effectiveness of a KNN model in the classification of charging events after learning the behavior and habits of the individual user.

La crescente preoccupazione circa le emissioni di CO2 e altri gas serra associati al consumo di combustibili di origine fossile ha contribuito negli ultimi anni a sviluppare una maggiore consapevolezza nei consumatori che li spinge sempre più a scegliere soluzioni ecosostenibili. Uno dei settori che produce le maggiori emissioni di CO2 è quello dei trasporti, in cui negli ultimi dieci anni si è assistito ad un processo di decarbonizzazione che ha portato ad un considerevole aumento dei veicoli elettrici in circolazione. Tuttavia, l'introduzione improvvisa una grossa quantità di veicoli elettrici potrebbe provocare problemi nella gestione della rete elettrica che deve fronteggiare il conseguente aumento di carico. In questo contesto, la previsione della curva di potenza associata alla ricarica dei veicoli elettrici diventa di vitale importanza per garantire l'affidabilità della rete elettrica. In questo articolo diversi modelli di Macchine Learning (LSTM, GRU, SequencetoSequece, meccanismi di attenzione) vengono messe a confronto per prevedere la curva di potenza di una stazione di ricarica con un giorno di anticipo. I dati utilizzati per addestrare e testare la rete provengono da un dataset reale messo a disposizione dalla Adaptive Charging Network. Un secondo dataset reale contente i dati di colonnine di ricarica in abitazioni private viene invece utilizzato per testare l'efficacia di un modello KNN per la classificazione degli eventi di ricarica successivamente all'apprendimento del comportamento e delle abitudini del singolo utente.