Prévision probabiliste basée sur l'apprentissage profond de la charge de recharge des véhicules électriques avec un nouveau modèle de file d'attente

Avec l'émergence des véhicules électriques (VE) et des technologies de recharge rapide, la prévision de la charge des VE est devenue une préoccupation pour les planificateurs et les opérateurs de stations de recharge de VE (CS). En raison de la nature non stationnaire du flux de trafic (FT) et de la nature erratique des procédures de recharge, il est difficile de prévoir avec précision la charge de recharge des VE. Dans cet article, le FT est d'abord prédit à l'aide d'un réseau de neurones convolutifs (CNN) basé sur l'apprentissage profond, et différentes incertitudes de prévision sont évaluées pour formuler les intervalles de prévision du FT (PIs). Ensuite, les taux d'arrivée des VE sont calculés en fonction des données historiques et du modèle de mélange proposé. En se basant sur les résultats de la prévision du FT et du taux d'arrivée, le processus de recharge des VE est étudié pour convertir le FT en charge de recharge en utilisant un nouveau modèle de file d'attente probabiliste qui prend en compte les limitations de service de recharge et le comportement des conducteurs. Les modèles proposés sont évalués à l'aide des données réelles du FT, et les résultats montrent que les incertitudes de la charge de recharge des VE peuvent être apprises de manière exhaustive, indiquant un potentiel significatif pour des applications pratiques.