No description available.

Inductive charging, a form of wireless charging, uses an electromagnetic field to transfer energy between two objects. This emerging technology offers an alternative solution to users having to physically plug in their electric vehicle (EV) to charge. Whilst manufacturers claim inductive charging technology is market ready, the efficiency of transfer of electrical energy is highly reliant on the accurate alignment of the coils involved. Therefore understanding the issue of parking misalignment and driver behaviour is an important human factors question, and the focus of this paper. Two studies were conducted, one a retrospective analysis of 100 pre-parked vehicles, the second a dynamic study where 10 participants parked an EV aiming to align with a charging pad with no bay markings as guidance. Results from both studies suggest that drivers are more accurate at parking laterally than in the longitudinal direction, with a mean lateral distance from the centre of the bay being 12.12 and 9.57 cm (retrospective and dynamic studies respectively) compared to longitudinally 23.73 and 73.48 cm. With current inductive charging systems having typical tolerances of approximately ±10 cm from their centre point, this study has shown that only 5% of vehicles in both studies would be aligned sufficiently accurately to allow efficient transfer of electrical energy through induction.

Cette thèse s'intéresse à la conception optimale d'un système d'autopartage de type one-way avec stations. Les problèmes abordés traitent de deux aspects structurels importants : le dimensionnement optimal du système (nombre de places de parking, de véhicules, de relocalisation de véhicules, etc.) et la localisation adéquate des stations. Bien que le management ou pilotage en temps réel du service ne soit pas l'objet de cette étude, certains aspects pertinents (relocalisation de véhicules, nombre de jockeys) ont toutefois été intégrés aux modèles. L'approche mathématique utilise des objets de la théorie des graphes pour représenter les systèmes dans le temps et les problèmes sont résolus grâce à la programmation linéaire en nombre entiers. L'objectif est d'identifier la structure du service permettant de capturer le plus de demandes possibles. L'introduction de véhicules électriques et de la puissance de charge en station sont étudiés dans un modèle dédié. Les expérimentations s'appuient sur des données réalistes, générées aléatoirement. Nous nous intéressons particulièrement aux pistes d'amélioration des temps de calculs et de réduction des graphes. Une heuristique gloutonne permettant d'identifier rapidement une solution réalisable est en particulier proposée. Enfin, une étude de dimensionnement des batteries confirme que des capacités deux fois inférieures à celles actuellement sur le marché sont viable dans le contexte urbain actuel. / This thesis focuses on the optimal design of one-way station-based carsharing systems. We consider the system design through two structural aspects: the optimal system dimensioning (number of parking places, vehicles, battery capacities, etc.) and the identification of appropriate stations’ locations. Although the addressed problems do not directly concern the system management, some relevant aspects (like vehicle relocation operations) are nonetheless part of the models. The modelling approach uses graph theory to represent the system dynamics over time and various optimization models (ILPs and MILPs) are proposed. The objective is to deduce an optimal shape of the whole system (number of vehicles, parking places, jockeys, stations’ locations, etc.) allowing to capture the maximum number of estimated time-dependent requests. Electric vehicles and power supply are also included in an enhanced model version and context related constraints ensure the integrity of the whole model. The optimization allows to study the impact of different power supply technologies and settle the minimal autonomy a shared vehicle necessitate in this environment. Models are applied to realistic case studies, using both random generated data and real estimated outputs of simulation tools. Strategies including vehicle relocation operations managed by jockeys (employees of the carsharing operator) are considered. We propose some graph simplifications reducing the problem size and leading to greatly improve solver capabilities as well as computation times. A greedy heuristic helping to quickly find feasible solutions and initialize the solver is also proposed and illustrated.

Avec les préoccupations environnementales croissantes liées aux émissions de carbone et la chute rapide des prix des batteries, la part de marché des véhicules électriques (EV) augmente rapidement. Le nombre croissant de EV ainsi que les progrès sans précédent dans la capacité de la batterie et de la technologie entraîne une augmentation drastique de la demande totale d'énergie destinée aux véhicules électriques. Cette forte demande de charge rend complexe le problème de planification de la charge. Même en prenant avantage de la propriété reportable des demandes de charge et d'une planification adéquate, la demande globale pourrait dépasser le taux de charge tolérable des stations, étant donné les contraintes physiques des dispositifs de charge et des transformateurs. Le principal défi est la nécessité de concevoir des solutions en ligne puisque, dans la pratique, l'ordonnanceur ne dispose d'aucune information sur les arrivées futures d'EV. Cette thèse étudie le problème d'ordonnancement des EV en ligne et fournit trois contributions principales. Premièrement, nous démontrons que le problème classique de la programmation en ligne des tâches sensibles aux échéances avec des valeurs partielles est similaire au problème d'ordonnancement EV et étudions l'extension de la programmation des charges EV en prenant en compte de la limite de traitement des travaux. Le problème réside dans la catégorie des problèmes d'ordonnancement en ligne couplés dans le temps sans disponibilité d'informations futures. Le premier algorithme proposé est déterministe, tandis que le second est randomisé et bénéficie d'une complexité de calcul plus faible. Deuxièmement, nous formulons un problème de maximisation du bien-être social pour la planification de la charge des EV avec une contrainte de capacité de charge. Nous avons conçu des algorithmes d'ordonnancement de charge qui non seulement fonctionnent dans un scénario en ligne, mais aussi qui répondent aux deux principaux défis suivants : (i) fournir un engagement à l'arrivée ; (ii) garantir la résistance aux stratégies (de groupe). Des simulations approfondies utilisant des traces réelles démontrent l'efficacité de nos algorithmes d'ordonnancement en ligne par rapport à la solution hors-ligne optimale non-engagée. La troisième contribution concerne la planification en ligne des véhicules électriques dans un réseau de recharge adaptatif (ACN) avec des contraintes de pics locaux et globaux. Nous avons conçu un algorithme d'ordonnancement primal-dual de faible complexité qui atteint un rapport d'approximation borné. Des résultats expérimentaux détaillés basés sur des traces montrent que les performances des algorithmes en ligne proposés sont proches de l'optimum hors ligne et surpassent les solutions existantes / With the increased environmental concerns related to carbon emission, and rapid drop in battery prices (e.g., 35% drop in 2017), the market share of Electric Vehicles (EVs) is rapidly growing. The growing number of EVs along with the unprecedented advances in battery capacity and technology results in drastic increase in the total energy demand of EVs. This large charging demand makes the EV charging scheduling problem challenging. The critical challenge is the need for online solution design since in practical scenario the scheduler has no information of future arrivals of EVs in a time-coupled underlying problem. This thesis studies online EV scheduling problem and provides three main contributions. First, we demonstrate that the classical problem of online scheduling of deadlinesensitive jobs with partial values is similar to the EV scheduling problem and study the extension to EV charging scheduling by taking into account the processing rate limit of jobs as an additional constraint to the original problem. The problem lies in the category of time-coupled online scheduling problems without availability of future information. Using competitive ratio, as a well-established performance metric, two online algorithms, both of which are shown to be (2 − 1/U)-competitive are proposed, where U is the maximum scarcity level, a parameter that indicates demand-to-supply ratio. Second, we formulate a social welfare maximization problem for EV charging scheduling with charging capacity constraint. We devise charging scheduling algorithms that not only work in online scenario, but also they address the following two key challenges: (i) to provide on-arrival commitment; respecting the capacity constraint may hinder fulfilling charging requirement of deadline-constrained EVs entirely. Therefore, committing a guaranteed charging amount upon arrival of each EV is highly required; (ii) to guarantee (group)-strategy-proofness as a salient feature to promote EVs to reveal their true type and do not collude with other EVs. Third, we tackle online scheduling of EVs in an adaptive charging network (ACN) with local and global peak constraints. Two alternatives in resource-limited scenarios are to maximize the social welfare by partially charging the EVs (fractional model) or selecting a subset of EVs and fully charge them (integral model). For the fractional model, both offline and online algorithms are devised. We prove that the offline algorithm is optimal. We prove the online algorithm achieves a competitive ratio of 2. The integral model, however, is more challenging since the underlying problem is NP-hard due to 0/1 selection criteria of EVs. Hence, efficient solution design is challenging even in offline setting. We devise a low-complexity primal-dual scheduling algorithm that achieves a bounded approximation ratio. Built upon the offline approximate algorithm, we propose an online algorithm and analyze its competitive ratio in special cases

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.