CNROpt Project

 

Μια επέκταση του Δικτύου Φόρτισης Ηλεκτρικών Οχημάτων με βάση την Τεχνητή Νοημοσύνη.

Χώρες: Κύπρος, Ελλάδα, Κροατία

Πεδία Πειραματισμού: Πρόβλεψη χρονοσειρών χρησιμοποιώντας τόσο off-the-shelf όσο και προσαρμοσμένα μοντέλα, γεωχωρικά μοντέλα για βελτιστοποίηση βάσει τοποθεσίας.

 

Μπορείτε να περιγράψετε το έργο σας με λίγα λόγια;

 

Το CNROpt είναι ένα φιλόδοξο έργο για την ανάπτυξη ενός καινοτόμου εργαλείου για τις εταιρείες ενέργειας και τους χειριστές των Δικτύων Σταθμών Φόρτισης για Ηλεκτρικά Οχήματα. Θα βοηθήσει στη διευκόλυνση της αποτελεσματικής διάθεσης νέων θέσεων σταθμών φόρτισης και της επέκτασης των υπαρχόντων, προτείνοντας τις βέλτιστες τοποθεσίες για επέκταση, λαμβάνοντας υπόψη τις απαιτήσεις τόσο της επιχειρηματικής εμπειρίας όσο και των πελατών.

Με την υποστήριξη της AI, θα αναπτύξουμε νέους αλγόριθμους AI με βάση την πρόσφατη έρευνα στον τομέα της τεχνητής νοημοσύνης και θα εκπαιδεύσουμε τα μοντέλα με ένα πλούσιο σύνολο δεδομένων χρονοσειρών. Αυτά τα δεδομένα είναι αποτελέσματα ανεπεξέργαστων δεδομένων ανώνυμης χρέωσης πολλών εκατοντάδων χιλιάδων περιόδων σύνδεσης από περισσότερες από 250 τοποθεσίες στην Κροατία.

 

Ποιος θα βοηθήσει στην εφαρμογή της λύσης AI;

 

Η Local AI είναι μια startup τεχνολογίας στην Καλαμάτα της Ελλάδας που ιδρύθηκε το 2022 για την Ε&Α AI, με την επωνυμία Local AI, αναπτύσσοντας καινοτόμες λύσεις για τη βιωσιμότητα αξιοποιώντας τη δύναμη της τεχνητής νοημοσύνης για τοπικούς και παγκόσμιους ενδιαφερόμενους φορείς, όπως Δήμους, Περιφερειακή Κυβέρνηση, Ιδιωτικούς Ενεργειακούς Ενεργειακούς φορείς κ.λπ. Η καινοτομία της τεχνητής νοημοσύνης βρίσκεται στον πυρήνα της επιχειρηματικής της στρατηγικής και συμμετέχει ενεργά σε έργα έρευνας και καινοτομίας για την εκκίνηση της ανάπτυξης νέων λειτουργιών και νέων εμπορικών λύσεων. Οραματιζόμαστε ένα μέλλον όπου η τεχνητή νοημοσύνη είναι πανταχού παρούσα και βοηθά τοπικές, περιφερειακές και παγκόσμιες πρωτοβουλίες πράσινης μετάβασης. Συνεργαζόμαστε με το Πανεπιστήμιο του Ζάγκρεμπ, με τη βαθιά γνώση του τομέα των τεχνολογιών δικτύου φόρτισης EV για να παρέχουμε έναν ανατρεπτικό τρόπο ανάπτυξης Δικτύων Φόρτισης στην Ευρώπη.

 

Ποια είναι η λύση AI που σχεδιάζει να εφαρμόσει το έργο;

Για τα μοντέλα Πρόβλεψης Χρονοσειρών, σκοπεύουμε να δοκιμάσουμε 3 αλγόριθμους:

  • Ο αλγόριθμος του προφήτη, μια ευρέως χρησιμοποιούμενη διαδικασία για την πρόβλεψη δεδομένων χρονοσειρών που βασίζεται σε ένα προσθετικό μοντέλο όπου οι μη γραμμικές τάσεις ταιριάζουν με την ετήσια, εβδομαδιαία και καθημερινή εποχικότητα, καθώς και τα εφέ των διακοπών. Λειτουργεί καλύτερα με χρονοσειρές που έχουν ισχυρά εποχιακά εφέ και αρκετές εποχές ιστορικών δεδομένων. Ο Προφήτης είναι ανθεκτικός σε δεδομένα που λείπουν και αλλαγές στην τάση, και συνήθως χειρίζεται καλά τις ακραίες τιμές. Η διαδικασία Προφήτης περιλαμβάνει πολλές δυνατότητες για τους χρήστες να τροποποιήσουν και να προσαρμόσουν τις προβλέψεις. Θα χρησιμοποιήσουμε παραμέτρους που μπορούν να ερμηνευτούν από τον άνθρωπο για να βελτιώσουμε την πρόβλεψή μας προσθέτοντας τις γνώσεις σας στον τομέα.
  • Transformer Architecture for Timeseries. Οι μετασχηματιστές αποτελούν μια κατηγορία μοντέλων βαθιάς μάθησης που είναι κατάλληλα για να χειρίζονται χρονικές εξαρτήσεις από δεδομένα. Αποτελούν τη ραχοκοκαλιά των σύγχρονων γλωσσικών μοντέλων (GPT. Θα αναπτύξουμε το προσαρμοσμένο μοντέλο πρόβλεψης που βασίζεται σε μετασχηματιστή για να εκτελέσουμε την πρόβλεψη συμφόρησης-χρήσης.
  • LSTM. Η μακροπρόθεσμη μνήμη (LSTM) είναι ένα τεχνητό νευρωνικό δίκτυο που χρησιμοποιείται στους τομείς της τεχνητής νοημοσύνης και της βαθιάς μάθησης. Σε αντίθεση με τα τυπικά νευρωνικά δίκτυα ανάδρασης, το LSTM έχει συνδέσεις ανάδρασης. Ένα τέτοιο επαναλαμβανόμενο νευρωνικό δίκτυο (RNN) μπορεί να επεξεργαστεί όχι μόνο μεμονωμένα σημεία δεδομένων (όπως εικόνες), αλλά και ολόκληρες ακολουθίες δεδομένων (όπως ομιλία ή βίντεο). Αυτό το χαρακτηριστικό καθιστά τα δίκτυα LSTM ιδανικά για επεξεργασία και πρόβλεψη δεδομένων.

Για τη Βαθμολογία Υποψηφίων Σταθμών – Μοντελοποίηση Επιλογής, θα προσεγγίσουμε αυτό το πρόβλημα προσπαθώντας να ομαδοποιήσουμε γεωγραφικά τους υπάρχοντες Σταθμούς Φόρτισης με K-means Ομαδοποίηση σε γεωγραφικές διαστάσεις με βάση διάφορους KPI (RoI, Utilization, Congestion, χρόνους αναμονής κ.λπ.) όπως παράγονται από το προηγούμενο βήμα, το Timeseries Forecasting. Αυτό θα μας βοηθήσει να εντοπίσουμε τις γεωγραφικές περιοχές που υποδεικνύουν hot spots για το δίκτυο σταθμών φόρτισης, δίνοντας προτεραιότητα στις σχετικές υποψήφιες τοποθεσίες για επέκταση.

CNROpt Project

 

An AI based Digital Platform for Intelligent Planning of Electric Vehicle Charging Network expansion.

Country: Cyprus, Greece, Croatia

Areas of Experimentation: Timeseries forecasting using both off-the-shelf and custom models, Geospatial models for location-based optimization.

 

Can you describe your project in a few words?

 

CNROpt is an ambitious project to develop an innovative tool for power companies and the operators of Charging Station Networks for Electric Vehicles. It will help facilitate the efficient rollout of new Charging Station Locations and the expansion of the existing ones, by suggesting the optimal sites for expansion, taking into account both business and customer experience requirements.

Powered by AI, we will develop new AI Algorithms based on the recent research in the field of AI and train the models with a rich set of time series data. These data are results of anonymous charging session raw data of several hundred of thousand sessions from more than 250 locations in Croatia.

 

Who will help implement the AI solution?

 

Local AI is a technology startup in Kalamata, Greece founded 2022 for AI R&D, branded as Local AI, developing innovative solutions for sustainability utilizing the power of AI for local and global stakeholders, such as Municipalities, Regional Government, Private Energy Stakeholders, etc. AI innovation is at the core of its business strategy, and it actively participates in research and innovation projects to jump-start the development of new functionalities and new commercial solutions. We envision a future where AI is ubiquitous and assisting local, regional, and global green transition initiatives. We work together with the University of Zagreb, with their deep domain knowledge of the EV charging network technologies to provide a disruptive way to develop Charging Networks in Europe.

 

What is the AI solution the project plans to implement?

For the Timeseries Forecasting models, we plan to try 3 algorithms:

  • Prophet off-the-self algorithm, a widely used procedure for forecasting time series data based on an additive model where non-linear trends are fit with yearly, weekly, and daily seasonality, plus holiday effects. It works best with time series that have strong seasonal effects and several seasons of historical data. Prophet is robust to missing data and shifts in the trend, and typically handles outliers well. The Prophet procedure includes many possibilities for users to tweak and adjust forecasts. We will use human-interpretable parameters to improve our forecast by adding your domain knowledge.
  • Transformer Architecture for Timeseries. Transformers constitute a class of Deep Learning Models that are suited to handle temporal dependencies on data. They are the backbone of modern Language Models (GPT. We will develop our custom Transformer-based prediction model to perform the congestion-utilization prediction.
  • LSTM. Long short-term memory (LSTM) is an artificial neural network used in the fields of artificial intelligence and deep learning. Unlike standard feedforward neural networks, LSTM has feedback connections. Such a recurrent neural network (RNN) can process not only single data points (such as images), but also entire sequences of data (such as speech or video). This characteristic makes LSTM networks ideal for processing and predicting data.

For the Candidate Stations Scoring – Selection modelling, we will approach this problem by trying to geographically cluster the existing Charging Stations with the K-means Clustering in Geographical Dimensions based on various KPIs (RoI, Utilization, Congestion, waiting times, etc.) as they are produced by the previous step, the Timeseries Forecasting. This will help us detect the geographical areas indicating hot spots for the Charging Station Network, prioritizing the relevant candidate sites for expansion.