Approaches to Energy Demand Forecasting and Charging Station Placement for Electric Vehicles Charging Stations

Abstract

The rapid growth of the Electric Vehicle (EV) market has heightened the demand for efficient energy management and strategic placement of Charging Stations (CSs). This thesis addresses these challenges by presenting novel solutions for energy demand forecasting and charging station optimization. We conducted a thorough data analysis and interpretation, providing valuable insights into the operation and utilization of charging stations. This analysis helped service providers understand station performance and identify areas for improvement. Building on these insights, we developed an advanced energy demand forecasting framework using Spatio- Temporal Graph Neural Networks (ST-GNNs). By incorporating additional dataset features, including Points of Interest (POI) data, we achieved improved forecasting accuracy compared to baseline models. Furthermore, we introduced a method for optimizing the placement of charging stations. This method involved reorganizing existing stations and strategically deploying new ones to balance usage and enhance accessibility. Our approach, supported by a mathematical formulation and genetic algorithm, demonstrates a significant improvement in infrastructure efficiency. These contributions offer effective strategies for enhancing EV charging infrastructure, supporting the evolving needs of the electric vehicle market. ***

La croissance rapide du marché des véhicules électriques (VEs) a accentué la demande en gestion efficace de l’énergie et en placement stratégique des stations de recharge. Cette thèse aborde ces défis en présentant des solutions novatrices pour la prévision de la demande énergétique et l’optimisation du placement des stations de recharge. Nous avons réalisé une analyse et une interprétation approfondies des données, fournissant des informations précieuses sur le fonctionnement et l’utilisation des stations de recharge. Cette analyse a aidé les prestataires de services à comprendre les performances des stations et à identifier les domaines nécessitant des améliorations. Sur la base de ces informations, nous avons développé un cadre avancé pour la prévision de la demande énergétique en utilisant les Réseaux de Neurones en Graphes Spatio-Temporels (ST-GNNs). En intégrant des caractéristiques supplémentaires des ensembles de données, y compris les données des Points d’Intérêt (POI), nous avons atteint une précision de prévision améliorée par rapport aux modèles de référence. De plus, nous avons introduit une méthode pour optimiser le placement des stations de recharge. Cette méthode consistait à réorganiser les stations existantes et à déployer stratégiquement de nouvelles stations pour équilibrer l’utilisation et améliorer l’accessibilité. Notre approche, soutenue par une formulation mathématique et un algorithme génétique, montre une amélioration significative de l’efficacité des infrastructures. Ces contributions offrent des stratégies efficaces pour améliorer les infrastructures de recharge des VEs, soutenant les besoins évolutifs du marché des véhicules électriques.