prikaz prve stranice dokumenta Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision
  Preuzmi
PDF 5.22 MB
disertacija
Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:872422
Kovačević, Marko
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Kovačević, M. (2023). Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision (Disertacija). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:872422

Kovačević, Marko. "Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:872422

Kovačević, Marko. "Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:872422

Kovačević, M. (2023). 'Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision', Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:872422

Kovačević M. Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision [Disertacija]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:872422

M. Kovačević, "Stochastic model predictive control of a set of electric vehicle charging stations for demand response service provision", Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:872422

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:872422
Podaci o radu
NaslovStochastic model predictive control of a set of electric vehicle charging stations for demand response service provision
Naslov (engleski)Stohastičko modelsko prediktivno upravljanje skupom punionica električnih vozila za pružanje usluge odziva potrošnje
AutorMarko Kovačević
MentorMario Vašak (mentor)
Član povjerenstvaMato Baotić (predsjednik povjerenstva)
Član povjerenstvaTomislav Capuder (član povjerenstva)
Član povjerenstvaJoško Deur (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Univerzalna decimalna klasifikacija
(UDC)		621.3 - Elektrotehnika
Sažetak
Charging electric vehicles (EVs), whose number is increasing, is a great challenge for the power grid due to the charging load variability. Coordinated charging and schedule optimisation are well-known conceptual solutions to that. Still, there are two challenges for the implementation. The first is to adequately predict availability and parameters of electric vehicles which is crucial for determining the charging schedule and the demand response potential. The second challenge is charging schedule optimisation that addresses the uncertainty ensuring the feasibility and economic benefits. This thesis proposes a method to represent a population of electric vehicles that on the one hand enables prediction via machine learning and on the other it enables an accurate optimisation of the charging schedule and demand response ability. The method essence is to use five discrete-time signals spanned over a prediction horizon period which are related to envelopes of feasible charging power and charging states for the EV population on that horizon. It enables to pose and solve the optimisation problem of charging scheduling with included demand response for a predicted population. The aggregated representation is foundation of the proposed charging scheduling framework that includes day-ahead flexibility analysis, short-term forecasting of EV arrivals and finally stochastic model predictive control of EV charging. Day-ahead flexibility analysis based on chance-constraints enables the aggregator to influence the certainty of fulfilling contracted flexibility.
Sažetak (engleski)
Punjenje električnih vozila (EV), čiji je broj u porastu, veliki je izazov za elektroenergetsku mrežu zbog varijabilnosti opterećenja punjenja. Koordinirano punjenje i optimizacija rasporeda dobro su poznata konceptualna rješenja za to. Ipak, postoje dva izazova za provedbu. Prvi je adekvatno predviđanje dostupnosti i parametara električnih vozila što je ključno za određivanje rasporeda punjenja i potencijala odgovora potražnje. Drugi izazov je optimizacija rasporeda punjenja koja se uzima u obzir neizvjesnost osiguravajući izvedivost i ekonomsku korist. U radu se predlaže metoda za prikaz populacije električnih vozila koja s jedne strane omogućuje predviđanje putem strojnog učenja, a s druge strane omogućuje točnu optimizaciju rasporeda punjenja i sposobnosti odziva potražnje. Bit metode je korištenje pet diskretnih vremenskih signala duž horizonta predviđanja koji su povezani s envelopama moguće snage punjenja i stanja punjenja za populaciju električnih vozila na tom horizontu. Omogućuje se postavljanje i rješavanje problema optimizacije rasporeda punjenja s uključenim odgovorom potražnje za predviđenu populaciju. Agregirani prikaz je temelj predloženog okvira optimizacije rasporeda punjenja koji uključuje analizu fleksibilnosti dan unaprijed, kratkoročno predviđanje dolazaka električnih vozila i konačno stohastičko modelsko prediktivno upravljanje punjenja električnih vozila. Analiza fleksibilnosti dan unaprijed temeljena na šansnim ograničenjima omogućuje agregatoru da utječe na sigurnost ispunjenja ugovorene fleksibilnosti.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:872422
Datum promocije2024
Studijski programNaziv: Elektrotehnika
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski znanstveni (doktorski)
Akademski / stručni naziv: doktor/doktorica znanosti, po-dručje tehničkih znanosti (dr. sc.)
Vrsta resursaTekst
Opseg83 str. ; 30 cm
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-05-07 12:01:30