Prihlásenie

STRAKA, Milan: Analýza rozsiahlych dát v energetických a dopravných aplikáciách. [Dizertacná práca] Žilinská Univerzita v Žiline. Fakulta riadenia a informatiky. Katedra matematických metód a operacnej analýzy. - Vedúci dizertacnej práce: prof. Ing. Luboš Buzna, PhD. - Žilina: FRI UNIZA, 2020, 147 s. Elektromobilita je rozvíjajúce sa odvetvie, spadajúce do energetiky a dopravy a prináša vysoký potenciál na zníženie emisií. Jej rozvoj do znacnej miery v súcasnosti ovplyvnujú politiky na rôznych úrovniach a ekonomické záujmy a spolieha sa na procesy založené na ludskom rozhodovaní. Vyššia efektivita investícii do tejto oblasti si vyžaduje úcinnú podporu pre rozhodovanie a to aj s využitím prostriedkov dátovej analýzy, co je ústredná téma tejto dizertacnej práce. Základným zdrojom sú dáta pochádzajúce z verejnej nabíjacej infraštruktúry, rozmiestnenej po celom území Holandska, ktoré patrí, v tomto ohlade, medzi najrozvinutejšie krajiny sveta. Na základe konzultácií s firmami pôsobiacimi v oblasti elektromobility sme identifikovali tri ciastkové ciele. Hlavným cielom je vytvorit metodológiu pre analýzu dát a dátové modelovanie v prostredí elektromobility, ktorá bude mat potenciál zväcšit množinu dostupných nástrojov pre podporu rozhodovania v oblasti budovania a prevádzky nabíjacej infraštruktúry pre EV, pricom sa sústredíme na tri, nižšie uvedené ciele. Prvým cielom je identifikácia skupín podobných nabíjacích staníc a používatelov, za úcelom identifikácie vznikajúcich segmentov, na ktoré je potrebné reagovat prostredníctvom obchodných modelov a stratégií. Tento ciel dosahujeme aplikáciou metód zhlukovania a agregacných prístupov, na základe ktorých identifikujeme 4 interpretovatelné zhluky staníc. Druhý ciel sa zameriava na výber vhodných metód a množiny dát pre získanie predikcie spotreby energie nabíjacej infraštruktúry. Takéto predikcie sú aplikovatelné, napríklad, pri nákupe elektrickej energie alebo inteligentnom nabíjaní. Pomocou metód casových radov, strojového ucenia a externých prediktorov, predikujeme casopriestorovo agregovanú spotrebu, kde dosahujeme presnost MAPE približne 12 %. V tretom cieli sa venujeme identifikácii vhodného umiestnenia nabíjacej infraštruktúry. Využívame rozsiahle GIS dáta, reprezentujúce okolie nabíjacích staníc. Jednoduchými metódami, ktoré sme navrhli, extrahujeme prediktory z GIS dát. Vplyvné prediktory získavame pomocou regresných metód, urcených na výber premenných. Pomocou dostupných metód sa vysporadúvame so vzájomnou závislostou dát, multikolinearitou. V rámci identifikácie vhodného umiestnenia najskôr na základe dát predikujeme popularitu nabíjacej infraštruktúry spolu s interpretáciou vplyvu prediktorov. Následne, aj na základe dát z okolia, sa zameriavame na vysvetlenie priestorovej spotreby energie nabíjacou infraštruktúrou. V praxi môže byt navrhovaná metodológia použitá na podporu rozhodovania pri budovaní novej alebo prípadné rozširovanie existujúcej nabíjacej infraštruktúry. Klúcové slová: analýza dát, elektrické vozidlá, nabíjacie stanice, dátová veda, strojové ucenie, elektromobilita

STRAKA, Milan: Large scale data analysis in energy and transport applications. [Dissertation thesis] - University of Žilina. Faculty of Management Science and Informatics. Department of Software Technology. - Supervisor: prof. Ing. Luboš Buzna, PhD. - Žilina, FRI UNIZA, 2020, 147 p. Electromobility is regarded as a modern trend, falling within energetics and transport and brings a high potential for reducing emissions. Its development is currently largely influenced by policies at various levels and economic interests, and it relies on processes based on human decision-making. Higher efficiency of investments in this area requires effective decision support based on the use of data analysis tools, which is the central topic of this dissertation. The basic source is data from public charging infrastructure located throughout the Netherlands, which is one of the most developed countries in the world in this respect. Based on a detailed literature review and consultations with companies operating in the field of electromobility, we identified three goals. The main goal is to create a methodology for data analysis and data modelling in the electromobility environment, which will have the potential to enrich the set of tools available to support decision-making in the processes of deployment and operation of charging infrastructure for EVs, focusing on the three objectives below. The first goal is to identify groups of similar charging stations and EV users, to identify emerging segments, that need to be addressed through incentivisation strategies and business models. We achieved this goal by applying clustering methods and aggregation approaches, based on which we identify 4 interpretable clusters of stations. The second goal focuses on the selection of appropriate methods and data sets to obtain a prediction of the energy consumption of the charging infrastructure. Such predictions are applicable, for example, when purchasing electricity or in smart charging technologies. Using time-series methods, machine learning and exogenous predictors, we predicted spatiotemporally aggregated consumption while achieving MAPE accuracy of approximately 12 %. In the third goal, we are motivated by the problem of identifying the appropriate locations of the charging infrastructure. We use extensive GIS data, representing the vicinity of charging stations. Using simple methods, that we have proposed, we extract predictors from GIS data. Influential predictors are obtained using regression variable selection methods. Using available methods, we deal with the interdependence of data and multicollinearity. To characterize suitable locations, we first predict the popularity of the charging infrastructure based on data, together with the interpretation of influential predictors. Subsequently, based on GIS data, we focus on the problem of explaining the relationship between the characteristics of the environment surrounding the infrastructure and energy consumption. In practice, the proposed methodologies and new knowledge can be used in the development of decision making support tools dedicated to the problem of deploying new or expanding the existing charging infrastructure. Key words: data analysis, electric vehicles, charging stations, data science, machine learning, electromobility