The arrival of the electric vehicle is being faster than estimated. This growth requires a charging infrastructure that can cover the energy needs of electric mobility. To this end, it is necessary that the charging points be installed in the most suitable places to satisfy the coming demand. The optimal and efficient choice of the location of new charging sites will not only help to absorb more demand, but will also improve the economic prospect and facilitate the adoption of electric vehicles. Tesla is the fastest growing electric vehicle company in recent years, with over 500,000 EVs worldwide and some 35,000 in the UK, reporting real-time data on various vehicle parameters. This data is very advantageous for understanding the customer's charging needs from a geographical and demand point of view. This project therefore consists of the development of data tools that allow the precise location and size of new charging points in the UK. A first demand planning tool informs about the number of charging stalls required in a given region covered by an existing Superchargers. A second data tool, built from a Machine Learning model, will predict the number of monthly charging sessions that the new Supercharger will receive. To develop both tools, Tesla data has been examined from different sources describing the geographic characteristics of the charger, driver, and vehicle, and found a regression to an average monthly charge, plus a required number of stalls per region. The thesis is written for Tesla and uses the data sources available to the company. Several machine learning methods have been evaluate to confirm which is the most successful in this analysis. Also, other features are analysed such as, how the frequency of data collection affects prediction, and which characteristics most influence the demand for a new Supercharger. Important characteristics for the demand for a supercharger are related to traffic, number of nearest customers and the type of supercharger. The demand planning shows that the UK will need more than 200 new stalls to cover the demand of December 2021. In addition, the charging sessions prediction tool has an average error of 18% which will allow to optimize the distribution of new superchargers. Finally, this tool is used by the charging department which together with the knowledge of the project developer allows to make an optimal choice of the location of a new supercharger. / Elbilens ankomst går snabbare än beräknat. Denna tillväxt kräver en laddningsinfrastruktur som kan täcka energibehovet för elektrisk rörlighet. För detta ändamål är det nödvändigt att laddpunkterna installeras på de lämpligaste platserna för att tillgodose den kommande efterfrågan. Det optimala och effektiva valet av plats för nya laddningsplatser hjälper inte bara till att absorbera mer efterfrågan, utan kommer också att förbättra de ekonomiska utsikterna och underlätta införandet av elfordon. Tesla är det snabbast växande elfordonsföretaget de senaste åren, med över 500 000 elfordon över hela världen och cirka 35 000 i Storbritannien och rapporterar realtidsdata om olika fordonsparametrar. Dessa uppgifter är mycket fördelaktiga för att förstå kundens debiteringsbehov ur geografisk och efterfrågans synvinkel. Detta projekt består därför av utvecklingen av dataverktyg som möjliggör den exakta placeringen och storleken på nya laddpunkter i Storbritannien. Ett första planeringsverktyg för efterfrågan informerar om antalet laddningsstationer som krävs i en viss region täckt av befintliga Superchargers. Ett andra dataverktyg, byggt från en maskininlärningsmodell, kommer att förutsäga antalet månatliga laddningssessioner som den nya supercharger kommer att få. För att utveckla båda verktygen har Tesla-data undersökts från olika källor som beskriver de geografiska egenskaperna hos laddaren, föraren och fordonet, och fann en regression till en genomsnittlig månadsavgift plus ett nödvändigt antal bås per region. Avhandlingen är skriven för Tesla och använder de datakällor som företaget har tillgång till. Flera maskininlärningsmetoder har utvärderats för att bekräfta vilken som är den mest framgångsrika i denna analys. Dessutom analyseras andra funktioner som hur frekvensen för datainsamling påverkar förutsägelsen och vilka egenskaper som mest påverkar efterfrågan på en ny supercharger. Viktiga egenskaper för efterfrågan på en supercharger är relaterade till trafik, antalet närmaste kunder och typen av supercharger. Efterfrågan planering visar att Storbritannien kommer att behöva mer än 200 nya bås för att täcka efterfrågan i december 2021. Dessutom har laddningssessioner förutsägelse verktyg ett genomsnittligt fel på 18% som gör det möjligt att optimera distributionen av nya supercharger. Slutligen används detta verktyg av laddningsavdelningen som tillsammans med kunskapen från projektutvecklaren gör det möjligt att göra ett optimalt val av platsen för en ny supercharger.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-293215 |
| Date | January 2021 |
| Creators | Fernández Marcos, Daniel |
| Publisher | KTH, Kraft- och värmeteknologi |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-ITM-EX ; 2021:9 |
Page generated in 0.0016 seconds