Contribution to smart management services for electric vehicle charging using vehicular networks

Abstract

(English) The most promising solution to reduce carbon emissions due to transportation is migrating from fossil-fuel vehicles to electric vehicles (EVs). In recent years, the decisive shift of drivers to use EVs has been affected by several factors. One of the main concerns refers to EV charging time. Due to long charging times and scarce charging points in cities, a growing concern of cities' administrations refers to supporting services for the new generation of mobility, known as the "Electro-mobility."The information sensed by vehicles (e.g., battery state of charge) could be helpful for other vehicles and mobility authorities in order to efficiently manage traffic and provide intelligent transport services (ITS). Vehicular communications enable communication between vehicles (V2V) and between vehicles and fixed infrastructure (V2I) managed by the city's authorities. Here, Vehicular Ad hoc Networks (VANETs) routing protocols minimize the use of fixed infrastructure since they employ multi-hop V2V communication to reach access points located along cities.This thesis aims to contribute to designing smart management services for electric vehicles supported by vehicular networks. The first step to achieving this global objective has been the study of components and tools to assess realistic electro-mobility scenarios. In addition, we have analyzed the impact of each of those components on the simulation results. Then, we have designed a smart management service for EV charging. Here, challenges include the selection of an appropriate charging point for each energy-requiring EV. We create a communication framework based on vehicular communications that allow vehicles to perform anticipated charging slot reservations.In contrast to the literature, we develop a traffic-aware charging service that considers current traffic conditions throughout the city. In this manner, we select the optimal charging point where the minimum charging time is guaranteed. In addition, we find the best charging point that minimizes the total travel time to the destination, including the stop to charge the battery.Besides, we have improved the global simulation process by developing two tools to handle large-scale simulations and mimic the realism of urban traffic mobility. First, our approach simplifies the process by automatizing simulation campaigns and generating realistic mobility scenarios. Also, we have tackled the issue of locked traffic simulations due to traffic jams. We have included an online vehicles' re-route functionality to cope with that problem, allowing cars to change their route to a less congested alternative route. Definitively, we claim that using our tools can reduce simulation times and avoid manually writing or editing simulation files, which is usually an error-prone task.Finally, based on machine learning techniques, we minimize the gas emissions of fossil-fuel vehicles and reduce electric vehicles' energy consumption. Using the vehicular network jointly with a reinforcement learning model, we adjust vehicles' acceleration/deceleration in the proximity of traffic light (TL) signals to drive with a moderate speed. The goal is to optimize driving in cities by avoiding excess fuel burn in the case of gas vehicles and by reducing energy consumption in the case of EVs.

(Català) La solució més prometedora per reduir les emissions de carboni degudes al transport és la migració de vehicles de combustibles fòssils a vehicles elèctrics (EV). En els darrers anys, el canvi decisiu dels conductors a utilitzar vehicles elèctrics s'ha vist afectat per diversos factors. Una de les principals preocupacions dels usuaris es refereix al temps de càrrega dels vehicles elèctrics. Degut als llargs temps de càrrega i l'escasedat de punts de càrrega a les ciutats, una preocupació creixent de les administracions de les ciutats es refereix als serveis de suport per a la nova generació de mobilitat, coneguda com a "Mobilitat elèctrica".

La informació detectada pels vehicles (per exemple, l'estat de càrrega de la bateria) podria ser útil per a altres vehicles i autoritats de mobilitat per gestionar eficientment el trànsit i proporcionar serveis de transport intel·ligent (ITS). Les comunicacions vehiculars permeten la comunicació entre vehicles (V2V) i entre vehicles i la infraestructura fixa (V2I) gestionada per les autoritats de la ciutat. Aquí, els protocols d'encaminament perles Vehicular Ad hoc Networks (VANET) minimitzen l'ús d'infraestructura fixa, ja que empren comunicacions V2V multisalt per arribar als punts d'accés localitzats al llarg de les ciutats.

Aquesta tesi té com a objectiu contribuir al disseny de serveis de gestió intel·ligent per a vehicles elèctrics suportats per xarxes vehiculars. El primer pas per aconseguir aquest objectiu global ha estat l'estudi dels components i eines per avaluar escenaris realistes de mobilitat elèctrica. A més, hem analitzat l'impacte de cada un d'aquests components en els resultats de simulació. Després, hem dissenyat un servei de gestió intel·ligent per a la càrrega de vehicles elèctrics. Aquí, els desafiaments inclouen la selecció d'un punt de càrrega adequat per a cada vehicle elèctric que requereix energia. Hem dissenyat el marc de comunicació basat en comunicacions vehiculars que permet als vehicles realitzar reserves anticipades de punts de càrrega. En contrast amb la literatura, desenvolupem un servei de càrrega que considera les condicions actuals del trànsit a la ciutat. D'aquesta forma, seleccionem el punt de càrrega òptim garantint el temps mínim de càrrega. A més, trobem el millor punt de càrrega que minimitza el temps total del viatge fins al destí, inclosa la parada per carregar la bateria.

També hem millorat el procés global de simulació desenvolupant dos eines per gestionar simulacions a gran escala i també per imitar el realisme de la mobilitat del trànsit urbà. En primer lloc, el nostre enfocament simplifica el procés mitjançant l'automatització de les llargues campanyes de simulació i la generació d'escenaris de mobilitat realistes. També, hem abordat el problema de les simulacions de trànsit bloquejat a causa de les congestions de vehicles. Hem inclòs la funcionalitat d'actualització de les rutes en línia, permetent als vehicles seleccionar una ruta alternativa menys congestionada. En definitiva, podem afirmar que utilitzant les nostres eines podem reduir els temps de simulació i evitar escriure o editar manualment els fitxers de simulació, el que normalment és una tarea propensa a errors.

Finalment, utilitzant tècniques d'aprenentatge automàtic, optimitzem les emissions de gasos dels vehicles de combustibles fòssils i el consum d'energia dels vehicles elèctrics. Utilitzant les xarxes vehiculars en conjunt amb un model d'aprenentatge per reforç, ajustem l'acceleració/desaceleració dels vehicles en la proximitat de les senyals de trànsit (és dir els semàfors) per forçar els vehicles a conduir amb una velocitat moderada. L'objectiu és optimitzar la conducció a les ciutast, evitant l'excés de combustible cremat en el cas dels vehicles de gasolina i disminuint el consum d'energia en el cas dels vehicles elèctrics.

(Español) La solución más prometedora para reducir las emisiones de carbono debidas al transporte es la migración de vehículos de combustibles fósiles a vehículos eléctricos (EV). En los últimos años, el cambio decisivo de los conductores a utilizar vehículos eléctricos se ha visto afectado por varios factores. Una de las principales preocupaciones de los usuarios se refiere al tiempo de carga de los vehículos eléctricos. Debido a los largos tiempos de carga y la escasez de puntos de carga en las ciudades, una preocupación creciente de las administraciones de las ciudades se refiere a los servicios de apoyo para la nueva generación de movilidad, conocida como la "Movilidad eléctrica".La información detectada por los vehículos (por ejemplo, el estado de carga de la batería) podría ser útil para otros vehículos y autoridades de movilidad para gestionar eficientemente el tráfico y proporcionar servicios de transporte inteligente (ITS). Las comunicaciones vehiculares permiten la comunicación entre vehículos (V2V) y entre vehículos y la infraestructura fija (V2I) gestionada por las autoridades de la ciudad. Aquí, los protocolos de enrutamiento Vehicular Ad hoc Networks (VANET) minimizan el uso de infraestructura fija, ya que emplean comunicación V2V multisalto para llegar a los puntos de acceso localizados a lo largo de las ciudades. Esta tesis tiene como objetivo contribuir al diseño de servicios de gestión inteligente para vehículos eléctricos soportados por redes vehiculares. El primer paso para alcanzar este objetivo global ha sido el estudio de los componentes y herramientas para evaluar escenarios realistas de movilidad eléctrica. Además, hemos analizado el impacto de cada uno de esos componentes en los resultados de la simulación. Luego, hemos diseñado un servicio de gestión inteligente para la carga de vehículos eléctricos. Aquí, los desafíos incluyen la selección de un punto de carga adecuado para cada vehículo eléctrico que requiera energía. Hemos diseñado el marco de comunicación basado en comunicaciones vehiculares que permite a los vehículos realizar reservas anticipadas de puntos de carga. En contraste con la literatura, desarrollamos un servicio de carga que considera las condiciones actuales del tráfico en la ciudad. De esta forma, seleccionamos el punto de carga óptimo garantizando el tiempo mínimo de carga. Además, encontramos el mejor punto de recarga que minimiza el tiempo total de viaje hasta destino, incluida la parada para cargar la batería.Además, hemos mejorado el proceso global de simulación desarrollando dos herramientas para manejar simulaciones a gran escala y también para mimetizar el realismo de la movilidad del tráfico urbano. En primer lugar, nuestro enfoque simplifica el proceso mediante la automatización de campañas de simulación y la generación de escenarios de movilidad realistas. También, hemos abordado el problema de las simulaciones de tráfico bloqueado debido a congestiones vehiculares. Para solucionar este problema, hemos incluido la funcionalidad de actualización de rutas en línea, permitiendo a los vehículos seleccionar un ruta alterna menos congestionada. En definitiva, podemos afirmar que usando nuestras herramientas podemos reducir los tiempos de simulación y evitar escribir o editar manualmente los archivos de simulación, lo cuál usualmente es una tarea propensa a errores. Finalmente, basándonos en técnicas de aprendizaje automático, optimizamos las emisiones de gases de los vehículos de combustibles fósiles y el consumo de energía de los vehículos eléctricos. Utilizando las redes vehiculares en conjunto con un modelo de aprendizaje por refuerzo, ajustamos la celeración/desaceleración de los vehículos en la proximidad de las señales de tráfico (es decir los semáforos) para forzar a los vehículos a conducir con una velocidad moderada. El objetivo es optimizar la conducción en las ciudades evitando el consumo excesivo de combustible en el caso de los vehículos de gas y reduciendo el consumo de energía en el caso de los vehículos eléctricos.