Strojové učení pro minimalizaci bilanční odchylky energetické soustavy pomocí řízení nabíjení elektromobilů

Abstract

Tato práce se zaměřuje na minimalizaci odchylek v energetické soustavě prostřednictvím řízeného nabíjení elektromobilů (EV) v síti veřejných nabíjecích stanic. Byl vyvinut model nabíjení založený na strojovém učení (ML) využívající historická data o nabíjení elektromobilů v Praze. Studie využívá algoritmy, jako je lineární regrese, long short-term memory (LSTM), autoregressive integrated moving average (ARIMA) a Gaussian mixture model (GMM), pro předpověď systémových odchylek a optimalizaci nabíjecích plánů EV. Datová sada zahrnuje vzory spotřeby energie, geografické lokace a časové charakteristiky nabíjecích seancí. Výsledky ukazují, že inteligentní nabíjecí strategie mohou významně přispět ke stabilizaci energetické sítě a podpořit udržitelný městský energetický systém.This thesis explores minimizing power grid imbalances through the controlled charging of electric vehicles (EVs) within a network of public charging stations. A machine learning (ML)-based charging model was developed using historical EV charging data from Prague. The study employs algorithms including linear regression, long short-term memory (LSTM), autoregressive integrated moving average (ARIMA), and Gaussian mixture model (GMM) to predict grid imbalances and optimize EV charging schedules. The dataset incorporates energy consumption patterns, geographic locations, and temporal characteristics of charging sessions. Results demonstrate that smart charging strategies can significantly enhance grid stability, highlighting their potential in supporting sustainable urban energy systems.