Η παγκόσμια άνοδος της χρήσης ηλεκτρικών οχημάτων (EVs) αποτελεί σημαντική εξέλιξη προς την κατεύθυνση της βιώσιμης μετακίνησης. Παρά τα οφέλη, η αποδοτική ανάπτυξη υποδομών φόρτισης αποτελεί κρίσιμη πρόκληση για τη μαζική υιοθέτησή τους, τη μείωση των εκπομπών άνθρακα και την προώθηση των εναλλακτικών καυσίμων. Η πρόβλεψη των προφίλ φόρτισης των EVs, συμπεριλαμβανομένων των χρόνων άφιξης, αναχώρησης, της κατάστασης φόρτισης της μπαταρίας και της απαιτούμενης ενέργειας, είναι καθοριστικής σημασίας για τη βελτιστοποίηση των σταθμών φόρτισης, την ενίσχυση της εμπειρίας των χρηστών και τη διαχείριση των επιπτώσεων της φόρτισης στο ηλεκτρικό δίκτυο.

Η εργασία αυτή επικεντρώνεται στη χρήση τεχνικών βαθιάς μάθησης για την ακριβή πρόβλεψη των προφίλ φόρτισης των EVs με τη χρήση δημόσιων δεδομένων. Μέσα από την εφαρμογή αλγορίθμων, όπως Δίκτυα Μακράς Βραχυπρόθεσμης Μνήμης (Long Short-Term Memory - LSTMs) και Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNN), επιχειρείται η μοντελοποίηση της συμπεριφοράς φόρτισης σε διάφορους τύπους σταθμών. Τα μοντέλα αξιολογούνται βάσει στατιστικών δεικτών, όπως η Ρίζα του Μέσου Τετραγωνικού Σφάλματος (RMSE) και το Μέσο Τετραγωνικό Σφάλμα (MSE).

Τα αποτελέσματα στοχεύουν στη βελτίωση της διαχείρισης των σταθμών φόρτισης μέσω έξυπνης κατανομής ενέργειας, καλύτερης ενσωμάτωσης στο δίκτυο και εφαρμογής δυναμικών πολιτικών τιμολόγησης. Με την αξιοποίηση τεχνικών βαθιάς μάθησης, η παρούσα έρευνα φιλοδοξεί να αντιμετωπίσει σημαντικές προκλήσεις στην ανάπτυξη υποδομών φόρτισης EVs, προσφέροντας μια ισχυρή βάση για επεκτάσιμες και καινοτόμες λύσεις στον τομέα της ηλεκτροκίνησης.