Optimizing electric vehicle charging infrastructure within a shopping centre microgrid: A forecasting model for enhanced energy management

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis

Authors

Date

2025-09-29

Department

Major/Subject

Energy Systems and Markets

Mcode

Degree programme

Master's Programme in Advanced Energy Solutions

Language

en

Pages

41

Series

Abstract

This thesis examines the optimization of electric vehicle (EV) charging infrastructure within a shopping center microgrid by developing a short-term load forecasting model. A case study was conducted at Lippulaiva Shopping Centre in Espoo, Finland. It is a local microgrid with solar energy generation, energy storage systems, and EV charging facilities. High-resolution historical energy and power data were collected, processed, and used to train a regression based forecasting model in Excel, utilizing cyclical encodings and rolling training windows of 24 hours, one week, and one month. Fourier analysis in MATLAB confirmed strong daily and weekly patterns, which were included in the forecasting model in a cyclical form. The model predicts hourly EV charging loads to support dynamic optimization strategies. Forecast accuracy, measured using MAE, RMSE, and MAPE, showed that the model effectively captured daily and weekly charging patterns, although it consistently underestimated extreme peaks. Integrating forecasted demand into scheduling algorithms could help the shopping center reduce peak loads and optimize electricity procurement based on hourly market prices. This research underscores the potential of datadriven forecasting to enhance microgrid performance, lower operating costs, and improve grid stability in commercial EV charging environments.

Tämä diplomityö tarkastelee sähköajoneuvojen (EV) latausinfrastruktuurin optimointia kauppakeskuksen mikroverkossa kehittämällä lyhyen aikavälin kuormitusennustemallin. Tutkimus toteutettiin Espoon Lippulaiva-kauppakeskuksesta saadun datamittauksen perusteella. Kyseessä on paikallinen mikroverkko, johon sisältyy aurinkosähkön tuotantoa, energian varastointijärjestelmiä sekä sähköajoneuvojen latausmahdollisuuksia. Historiallisen energian ja tehon mittausaineistoja kerättiin minuuttitasolla, data käsiteltiin ja käytettiin regressiopohjaisen ennustemallin opettamiseen Excelissä hyödyntäen syklisiä koodauksia sekä 24 tunnin, yhden viikon ja yhden kuukauden liukuvia opetusikkunoita. Fourier-analyysi toteutettiin datalle MATLABilla, ja se vahvisti lyhyen aikavälin voimakkaat päivittäiset ja viikoittaiset jaksollisuudet, jotka sisällytettiin ennustemalliin syklisinä muuttujina. Malli ennustaa tuntikohtaisia EV-latauskuormia seuraavalle tunnille. Ennustetarkkuus, jota mitattiin MAE-, RMSE- ja MAPE-arvoilla, osoitti mallin pystyvän tehokkaasti havaitsemaan päivittäiset ja viikoittaiset latauskuviot, vaikka se aliarvioi johdonmukaisesti satunnaisia poikkeuksellisia huippukuormia. Ennustetun kysynnän integrointi aikataulutus- ja optimointialgoritmeihin voi auttaa kauppakeskusta vähentämään huipputehokuormia ja optimoimaan sähkönhankintaa tunneittain vaihtelevien markkinahintojen perusteella, tuoden mahdollisia kustannussäästöjä. Tämä tutkimus pyrkii korostamaan datalähtöisen ennustamisen potentiaalia. Sen tavoitteena on antaa lähtökohdat parantaa mikroverkon suorituskykyä, pienentää käyttökustannuksia ja vahvistaa verkon va-kautta.

Description

Supervisor

Lehtonen, Matti

Keywords

EV charging, microgrid, forecast model, shopping centre, energy optimization, multiple linear regression

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202510208334

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC