Programme de Doctorat en informatique
Département d’informatique et de génie logiciel
Faculté des sciences et de génie
Présentation de la proposition de projet de recherche de
De
Anthony Deschênes
Jeudi 9 décembre 2021 de 13h00 à 16h00
Par vidéoconférence (voir lien ci-dessous)
https://ulaval.zoom.us/j/64257052237?pwd=TzN6WVYrMmlYcUJwbE81cjJTdEt2Zz09
Meeting ID: 862 0033 5008
Passcode: 231929
« Apprentissage automatique et optimisation pour favoriser l’adoption de modes de transports à zéro-émission»
Machine learning and optimization to favor adoption of zero-emission mode of transport
Membres du comité d’encadrement
Pr. Jonathan Gaudreault, Ph.D. (Directeur de recherche)
Département d’informatique et de génie logiciel
Pr. Claude-Guy Quimper, Ph.D.
Département d’informatique et de génie logiciel
Pr. Luc Lamontagne, Ph.D.
Département d’informatique et de génie logiciel
Pr. Richard Khoury, Ph.D.
Département d’informatique et de génie logiciel
Résumé
Les véhicules électriques deviennent un moyen de plus en plus populaire pour diminuer les émissions de gaz à effet de serre. Ils deviennent de plus en plus une alternative moins coûteuse par rapport à la voiture à essence. Par contre, leur acceptation est freinée par certaines difficultés inhérentes aux véhicules électriques. L’autonomie limitée des véhicules électriques et la difficulté de prévoir avec précision le temps de recharge sont deux facteurs limitants l’acceptation des véhicules électriques tant pour les individus que les entreprises. Ces deux facteurs rendent aussi les problèmes liés aux véhicules électriques plus complexes que ceux liés aux véhicules à essence et demandent de développer de nouveaux outils et modèles pour les résoudre.
Dans cette proposition de projet de recherche, nous proposons différentes méthodes basées sur l’apprentissage automatique ainsi que l’optimisation combinatoire pour résoudre des problèmes liés aux véhicules électriques. L’objectif général de cette proposition de recherche est de développer des outils et des modèles pour favoriser l’adoption de mode de transport à zéro-émission. Cet objectif général est divisé en cinq objectifs spécifiques.
Le premier objectif consiste à développer des modèles pour prédire la consommation d’un véhicule électrique pour un itinéraire donné dans un contexte de taxi électrique. Pour un contexte plus général de la vie de tous les jours, nous voulons également développer des modèles prédictifs de consommation adaptés à un grand nombre de types de véhicules.
Le deuxième objectif consiste à développer des modèles pour prédire le temps nécessaire pour recharger un véhicule électrique de X% à Y% qui prend en compte entre autre la température, le type du véhicule et le type de borne de recharge utilisé.
Le troisième objectif consiste à développer des algorithmes permettant d’optimiser un itinéraire en véhicule électrique considérant la non-linéarité des fonctions de recharge et de consommation tout en permettant de varier la vitesse entre les segments de la route.
Le quatrième objectif concerne les bornes de recharge rapide pour véhicules électriques. Il consiste à développer des modèles permettant de détecter des bris dans les bornes de recharge rapide de façon non supervisée à partir de données historiques de recharge.
Finalement, le cinquième objectif consiste à développer des modèles permettant de détecter automatiquement des types de véhicules à partir de données historiques de recharge. En effet, les données historiques de recharge ne contiennent pas directement le type de véhicule, mais les informations contenues dans les séances de recharge nous permettront d’identifier une signature représentant un type de véhicule particulier.
Abstract
Electric vehicles become a popular way to reduce greenhouse gas emissions. Lately, they become more and more a viable alternative to internal combustion engine vehicles. Their acceptance is, however, slowed by inherent difficulties of electric vehicles. Limited autonomy and difficulty to predict precisely the time needed to charge an electric vehicle are two factors that limit the acceptance of electric vehicles for individuals and companies. These two factors also make problems around electric vehicles more complex and demand to develop new tools and models to solve them.
In this research proposal, we propose different methods based on machine learning and combinatorial optimization to solve problems around electric vehicles. The general objective of this research proposal is to develop tools and models to favor adoption of zero-emission mode of transport. The general objective is split in five objectives.
The first objective consists of developing models to predict the consumption of an electric vehicle for a given itinerary in the context of taxi driving. Moreover, for a more general context of everyday life, we also want to develop predictive models adapted for a large number of electric vehicle types.
The second objective consists of developing models to predict the time needed to charge an electric vehicle from X% to Y% that takes into consideration among others the temperature, the vehicle type and the type of charging station used.
The third objective consists of developing algorithms to optimize an itinerary in electric vehicle that considers the non-linearity of the charging and energy consumption functions that allow to vary the speed between segments of the route.
The fourth objective concerns fast charging stations for electric vehicles. It consists of developing unsupervised models to detect breakage in fast-charging stations from historical charging data.
Finally, the fifth objective consists of developing models to automatically detect vehicle types from historical charging data. The historical charging data does not contain directly the electric vehicle model, but information contained within a charging session will allow to identify signature representing a specific electric vehicle. .
Note: La présentation sera donnée en français.
Bienvenue à tous!
