Modelado Basado en Datos de Sesiones de Carga de Vehículos Eléctricos Utilizando Técnicas de Aprendizaje Automático

La creciente demanda de electricidad es inevitable debido a la electrificación del sector del transporte. Una parte importante de esta demanda proviene de la carga de vehículos eléctricos (VE) a gran escala, lo cual es una preocupación creciente para el sistema de distribución de energía de la red. La falta de conocimiento sobre la demanda de energía de la red por parte de los VE dificulta la gestión de estos consumos a gran escala. Para que cualquier aplicación de gestión de carga de la red sea efectiva en minimizar el impacto de la carga no controlada, es necesario obtener información sobre la demanda de energía de los VE. Para abordar esta cuestión, este estudio presenta un modelado basado en datos de sesiones de carga de VE utilizando técnicas de aprendizaje automático (AA). El propósito de usar AA como enfoque es proporcionar información para estimar la demanda futura de energía y minimizar el impacto de la carga de VE en la red. Para lograr el objetivo de este estudio, en primer lugar, investigamos el impacto de la carga a gran escala de los VE en la red. Con base en esto, formulamos una función objetivo, expresada como una suma de funciones de utilidad cuando los VE se cargan en la red con restricciones impuestas sobre los niveles de voltaje y la potencia de carga. En segundo lugar, empleamos un enfoque de modelado gráfico para estudiar la distribución temporal del consumo de energía de los VE basándonos en conjuntos de datos del mundo real de sesiones de carga de VE. En tercer lugar, utilizando modelos de regresión de AA, predijimos el consumo de energía de los VE utilizando cuatro modelos diferentes: árbol de decisión, regresión lineal, máquina de soporte vectorial (SVM) lineal y red neuronal. Utilizamos validación cruzada de 5 pliegues para protegernos contra el sobreajuste y evaluamos el rendimiento de estos modelos utilizando métricas de análisis de regresión. Los resultados de nuestras predicciones mostraron una mejor precisión en comparación con los resultados de otros autores.