Mostrar o rexistro simple do ítem
Predicción de demanda y generación renovable con Deep Learning: Aplicación a la optimización de estaciones de carga de vehículos eléctricos
dc.contributor.author | Ramos-Pérez, Francisco | |
dc.contributor.author | Vivas Venegas, Carlos | |
dc.contributor.author | Rubio, Francisco R. | |
dc.date.accessioned | 2023-10-09T07:52:57Z | |
dc.date.available | 2023-10-09T07:52:57Z | |
dc.date.issued | 2023 | |
dc.identifier.citation | Ramos-Pérez, Francisco, Vivas, Carlos, Rubio, Francisco 2023. Predicción de demanda y generación renovable con Deep Learning: Aplicación a la optimización de estaciones de carga de vehículos eléctricos. XLIV Jornadas de Automática, 346-351. https://doi.org/10.17979/spudc.9788497498609.346 | es_ES |
dc.identifier.isbn | 978‐84‐9749‐860‐9 | |
dc.identifier.uri | http://hdl.handle.net/2183/33630 | |
dc.description.abstract | [Resumen] Los vehículos eléctricos se están popularizando y son claves para el transporte del futuro debido a su contribución en la reducción de las emisiones de carbono. Uno de los desafíos que plantea la electrificación de la movilidad es el soporte que tendrá que dar la infraestructura actual de red eláctrica a estos vehículos. Un aspecto crucial para resolución de este problema pasa por una gestión y planificación inteligentes del proceso de carga. El uso de técnicas basadas en datos y de aprendizaje automático (Machine Learning) para entender y predecir el comportamiento de carga de vehículos eléctricos y de generación renovable (fotovoltaica) pueden servir para mejorar estos algoritmos de planificación. En este artículo se propone un caso de estudio para evaluar el impacto de las técnicas mencionadas en los algoritmos de planificación dinámica de la demanda de carga. Este algoritmo hace uso de predicciones de la demanda y de la producción fotovoltaica generadas por modelos de redes neuronales. Estos modelos secuenciales han sido entrenados con datos obtenidos de una base de datos pública en el caso de la demanda y de una planta fotovoltaica real en el caso de la producción. En predicción de la demanda, el modelo que ha obtenido mejores resultados ha sido el modelo con redes LSTM con una ventana temporal de 4 días, obteniendo un MAE de 4.41 kW y un RMSE de 4.10 kW sobre los datos de testeo. En la predicción de la generación, el mejor modelo ha resultado ser el modelo de redes CNN+LSTM con una ventana temporal de 1 día, obteniendo un MAE de 55.60 kW y un RMSE de 104.61 kW sobre los datos de testeo. | es_ES |
dc.description.abstract | [Abstract] Electric vehicles are becoming increasingly popular and are key to the transport of the future due to their contribution to reducing carbon emissions. One of the key challenges, however, is how the grid infrastructure could provide support to all the electric vehicle charging stations that comes with large-scale EV deployment. The solution to this lies in the utilization of smart scheduling algorithms to manage the growing public charging demand. The use of data-driven techniques and Machine Learning to learn the behaviour of electric vehicle charging and photovoltaic generation can be used to improve these scheduling algorithms. Therefore, in this article, a case study simulator and a smart scheduling algorithm to manage charging demand are proposed. This algorithm makes use of demand and photovoltaic production forecasting generated by neural network models. These sequential models have been trained with data obtained from a public database in the case of demand and from a real PV plant in the case of production. In demand forecasting, the model that obtained the best results was the model with LSTM networks with window size of 4 days, obtaining an MAE of 4.41 kW and an RMSE of 4.10 kW on the test data. In generation forecasting, the best model was the CNN+LSTM networks model with a window size of 1 day, obtaining an MAE of 55.60 kW and an RMSE of 104.61 kW on the test data. | es_ES |
dc.description.sponsorship | Ministerio de Ciencia e Innovación; TED2021-131604B-I00 | es_ES |
dc.description.sponsorship | Ministerio de Ciencia e Innovación; PID2020-115561RB-C32 | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidade da Coruña. Servizo de Publicacións | es_ES |
dc.relation.uri | https://doi.org/10.17979/spudc.9788497498609.346 | es_ES |
dc.rights | Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-nc-sa/4.0/ | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ | * |
dc.subject | Vehículos eléctricos y solares | es_ES |
dc.subject | Inteligencia artificial en el transporte | es_ES |
dc.subject | Control de la energía en el transporte | es_ES |
dc.subject | Funcionamiento y planificación del almacenamiento de energía | es_ES |
dc.subject | Control basado en datos | es_ES |
dc.subject | Aprendizaje automático | es_ES |
dc.subject | Modelización de series temporales | es_ES |
dc.subject | Electric and solar vehicles | es_ES |
dc.subject | Artificial intelligence in transportation | es_ES |
dc.subject | Energy control in transportation | es_ES |
dc.subject | Energy storage operation and planning | es_ES |
dc.subject | Data-driven control | es_ES |
dc.subject | Machine learning | es_ES |
dc.subject | Time series modelling | es_ES |
dc.title | Predicción de demanda y generación renovable con Deep Learning: Aplicación a la optimización de estaciones de carga de vehículos eléctricos | es_ES |
dc.title.alternative | Charge demand and renewable generation forecasting with Deep Learning: application to electric vehicle station optimization Abs | es_ES |
dc.type | info:eu-repo/semantics/conferenceObject | es_ES |
dc.rights.access | info:eu-repo/semantics/openAccess | es_ES |
UDC.startPage | 346 | es_ES |
UDC.endPage | 351 | es_ES |
dc.identifier.doi | https://doi.org/10.17979/spudc.9788497498609.346 | |
UDC.conferenceTitle | XLIV Jornadas de Automática | es_ES |