Programme de doctorat
Département d’informatique et de génie logiciel
Faculté des sciences et de génie
SOUTENANCE DE THÈSE
de
Anthony Deschênes
Le lundi 11 novembre 2024 à 13 h
Local 2783, Pavillon Adrien-Pouliot
« Optimisation de la gestion de l’énergie et des routes pour des véhicules
électriques avec de l’apprentissage automatique et de l’optimisation combinatoire »
Membres du jury
Président
Monsieur Pascal Tesson, Ph.D.
Directeur des programmes de 2e et 3e cycle
Département d’informatique et de génie logiciel
Université Laval
Examinateurs
Monsieur Jonathan Gaudreault, Ph.D. (Directeur de recherche)
Département d’informatique et de génie logiciel
Université Laval
Monsieur Claude-Guy Quimper, Ph.D. (Co-directeur)
Département d’informatique et de génie logiciel
Université Laval
Monsieur Luc Lamontagne, Ph.D. (Examinateur)
Département d’informatique et de génie logiciel
Université Laval
Monsieur Richard Khoury, Ph.D. (Examinateur)
Département d’informatique et de génie logiciel
Université Laval
Monsieur Jorge Mendoza Gimenez, Ph.D. (Examinateur externe)
Département de gestion des opérations et de la logistique
HEC Montréal
Cette thèse présente des approches d’apprentissage automatique et d’optimisation combinatoire pour résoudre des problèmes en lien avec les véhicules électriques et hybrides électriques. Les problèmes d’optimisation combinatoire sont conçus pour prendre en entrée des prédictions pouvant être émises par un ou plusieurs modèles d’apprentissage automatique. Par exemple, des approches basées sur l’apprentissage automatique sont proposées pour prédire la consommation électrique d’un véhicule électrique pour un itinéraire donné ainsi que pour prédire le temps de recharge rapide d’un véhicule électrique. Différents problèmes d’optimisation combinatoires sont ensuite présentés, comme leFixed Route Electric Vehicle Charging Problem with NonLinear Energy Management, et ces problèmes sont résolus grâce à des algorithmes basés sur la programmation linéaire mixte ainsi que la programmation dynamique. Ces algorithmes sont conçus pour être en mesure de prendre en entrée des prédictions de modèles d’apprentissage automatique.
Le premier problème consiste à prédire la consommation d’un taxi électrique à partir de données empiriques. Ces données viennent d’un partenaire industriel, TÉO Taxi, et représentent de vraies courses de taxi. Pour faire cette prédiction, nous utilisons un modèle hybride entre l’apprentissage automatique et un modèle théorique. Nous montrons ensuite que le modèle hybride est celui qui performe le mieux. Nous nous attaquons également à la prédiction de la consommation pour un nouveau véhicule pour lequel nous n’aurions pas encore de données.
Le deuxième problème consiste à prédire le temps de recharge rapide d’un véhicule électrique à partir de données empiriques. Ces données viennent également d’un partenaire industriel, AddÉnergie, et représentent des séances de recharge faites par de vrais utilisateurs partout au Canada. Cela implique donc que nous avons des données pour une grande variété de température, qui est connue pour avoir un grand impact sur la durée de recharge d’un véhicule électrique. Différents modèles d’apprentissage supervisé sont testés, comme les forêts aléatoires et les réseaux de neurones. Différentes variantes de chaque modèle sont également explorées. Les hyperparamètres des différents modèles sont ensuite déterminés en utilisant l’Optimisation Bayésienne, avec une attention particulière sur la structure des réseaux de neurones. Nous démontrons finalement que les réseaux de neurones, particulièrement lorsque nous utilisons l’augmentation de données pour balancer le nombre de données par type de véhicule, obtiennent les meilleurs résultats.
Les troisième et quatrième problèmes consistent à développer des modèles d’optimisation combinatoire pour optimiser un itinéraire en véhicule électrique. L’objectif est de décider à quel endroit arrêter ainsi que la vitesse à rouler pour atteindre la destination le plus rapidement possible. Nous proposons deux algorithmes pour résoudre ce problème: un basé sur la programmation linéaire mixte et un autre basé sur la programmation dynamique. Nous démontrons ensuite que l’approche basée sur la programmation dynamique obtient les meilleures performances.
Finalement, les cinquième et sixième problèmes consistent à développer des modèles d’optimisation combinatoire pour le problème de gestion de l’énergie d’un aéronef hybride électrique. Ce problème consiste à décider la quantité de carburant et d’électricité à prendre à chaque terminal ainsi qu’à décider comment utiliser l’énergie sur les différents segments de la route dans l’objectif de minimiser les coûts totaux. Nous proposons également des algorithmes de programmation dynamique et de programmation linéaire mixte pour résoudre ce problème.
Abstract
Title: Optimizing energy management and routes for electric vehicles using machine learning and optimization
This thesis presents machine learning and combinatorial optimization approaches to solve problems related to electric and hybrid electric vehicles. The combinatorial optimization problems are designed to take as input predictions that can be made by one or more machine learning models. For instance, machine learning-based approaches are proposed to predict the energy consumption of an electric vehicle for a given route and to predict the fast-charging duration of an electric vehicle. Various combinatorial problems are then presented, such as the Fixed Route Electric Vehicle Charging Problem with NonLinear Energy Management, and these problems are solved using algorithms based on Mixed-Integer linear Programming and dynamic programming. These algorithms are designed to be able to take as input predictions from machine learning models.
The first problem involves predicting the energy consumption of an electric taxi based on empirical data. This data comes from an industrial partner, Téo Taxi, and represents real taxi rides. To make this prediction, we use a hybrid model between machine learning and a theoretical model. We then show that the hybrid model performs the best. We also address the problem of predicting the energy consumption of a new vehicle for which we do not yet have data.
The second problem involves predicting the fast-charging duration of an electric vehicle using empirical data. This data also comes from an industrial partner, AddÉnergie, and represents charging sessions performed by real users across Canada. This means that we have data for a wide variety of temperatures, which is known to have a significant impact on the charging duration of an electric vehicle. Different supervised learning models are tested, such as random forests and neural networks. Various variants of each model are also explored. The hyperparameters of the different models are then determined using Bayesian Optimization, with a particular attention to the structure of the neural networks. We demonstrate that neural networks, especially when using data augmentation to balance the amount of data per vehicle type, achieve the best results.
The third and fourth problems involve developing combinatorial optimization models to optimize an electric vehicle route. The goal is to decide where to stop and the speed to drive on each leg in order to reach the destination as quickly as possible. We propose two algorithms to solve this problem: one based on Mixed-Integer linear Programming and the other based on dynamic programming. We then demonstrate that the approach based on dynamic programming achieves the best performance.
Finally, the fifth and sixth problems involve developing combinatorial optimization models for the energy management of a hybrid electric aircraft. This problem requires to decide the amount of fuel and electricity to take at each terminal as well as how to use the energy across different legs of the route with the overall goal of minimizing total costs. We also propose dynamic programming and Mixed-Integer linear Programming algorithms to solve this problem.
Note: La présentation sera donnée en français.
Bienvenue à toutes et tous !
