Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ημερομηνία: Τετάρτη, 30 Σεπτεμβρίου 2026, 09:30
Αίθουσα: Γ3.0.13

Ονοματεπώνυμο: ΛΕΚΑΤΗΣ ΟΡΕΣΤΗΣ

Θέμα: Βελτιστοποίηση Χωροθέτησης και Ανάθεσης Ηλεκτρικών Οχημάτων σε Φορτιστές με Συνδυασμό Location Routing και Μηχανικής Μάθησης

Title: Optimizing Location and Assignment of Electric Vehicles to Chargers with a Combination of Location Routing and Machine Learning

Εξεταστική Επιτροπή

• ΜΑΡΙΝΑΚΗΣ ΙΩΑΝΝΗΣ, Καθηγητής (επιβλέπων)
• ΜΑΡΙΝΑΚΗ ΜΑΓΔΑΛΗΝΗ, ΕΔΙΠ
• ΜΑΤΣΑΤΣΙΝΗΣ ΝΙΚΟΛΑΟΣ, Ομότιμος Καθηγητής

Περίληψη

Η αυξανόμενη διείσδυση των ηλεκτρικών οχημάτων δημιουργεί την ανάγκη για αποτελεσματικό σχεδιασμό των υποδομών φόρτισης, τόσο ως προς τη χωροθέτηση των σταθμών όσο και ως προς την εξυπηρέτηση της σχετικής ζήτησης. Η παρούσα διπλωματική εργασία αναπτύσσει και αξιολογεί μία ολοκληρωμένη μεθοδολογία που συνδυάζει Μηχανική Μάθηση και Συνδυαστική Βελτιστοποίηση για τη χωροθέτηση σταθμών φόρτισης και την ανάθεση ηλεκτρικών οχημάτων, με εφαρμογή στον Δήμο Χανίων. Η προτεινόμενη αρχιτεκτονική Τυχαίου Δάσους (Random Forest - RF)→Προβλήματος Χωροθέτησης – Δρομολόγησης (Location Routing Problem – LRP) χρησιμοποιεί τον αλγόριθμο Τυχαίου Δάσους (Random Forest, εφεξής RF) ως μηχανισμό προκαταρκτικού φιλτραρίσματος των υποψήφιων θέσεων πριν από την εφαρμογή του μοντέλου βελτιστοποίησης. Για την εκπαίδευση του Random Forest χρησιμοποιούνται οι 20 υφιστάμενοι σταθμοί φόρτισης του Σχεδίου Φόρτισης Ηλεκτρικών Οχημάτων (Σ.Φ.Η.Ο.). Χανίων ως θετικά παραδείγματα και συνθετικά παραγόμενα αρνητικά παραδείγματα από το οδικό δίκτυο του OpenStreetMap. Κάθε θέση περιγράφεται μέσω επτά χαρακτηριστικών που αποτυπώνουν την εγγύτητα σε σημεία ενδιαφέροντος, τη ζήτηση φόρτισης, την ενεργειακή ανάγκη, την πυκνότητα του οδικού δικτύου και την απόσταση από βασικούς κόμβους υπερτοπικής κινητικότητας. Ο Random Forest παράγει για κάθε υποψήφια θέση ένα Σκορ Καταλληλότητας (Suitability Score - SS ), το οποίο χρησιμοποιείται για το φιλτράρισμα του χώρου αποφάσεων με συγκεκριμένο κατώφλι. Στη συνέχεια, το πρόβλημα χωροθέτησης και ανάθεσης επιλύεται μέσω της μεθευρετικής μεθόδου Βελτιστοποίησης Αποικίας Μυρμηγκιών (Ant Colony Optimization -ACO), και συγκεκριμένα της παραλλαγής Συστήματος Μυρμηγκιών με Μέγιστο και Ελάχιστο όριο τιμών (Max-Min Ant System - MMAS), λαμβάνοντας υπόψη το πάγιο κόστος εγκατάστασης, το κόστος εκτροπής, τη χωρητικότητα των σταθμών και την ενεργειακή εφικτότητα των αναθέσεων. Η αξιολόγηση του Random Forest έδειξε ικανοποιητική διακριτική ικανότητα, με Area Under the Curve - Receiver Operating Characteristic (AUC-ROC) ίσο με 0,897. Το οποίο αξιολογεί την ικανότητα του μοντέλου να διακρίνει τις δύο κλάσεις. Το Area Under the Precision-Recall Curve (AUPRC) είναι ίσο με 0,546. Όπου AUPRC είναι μέθοδος μέτρησης για δυαδικά μοντέλα μηχανικής μάθησης, όταν το μοντέλο προβλέπει ή κατατάσσει τα θετικά δείγματα, πόσο ακριβές είναι (Ακρίβεια-Precision) και πόσα συνολικά πραγματικά θετικά δείγματα καταφέρνει να βρει (Ανάκληση-Recall). Το F1-score της θετικής κλάσης 0,609, όπου F1-score είναι βασικός δείκτης μέτρησης της απόδοσης και υπολογίζεται ως ο αρμονικός μέσος όρος της Ακρίβειας και της Ανάκλησης. Το Out-of-bag Error (OOB Error) υπολογίζεται 0,083. Ο δείκτης υπολογίζει το λάθος πρόβλεψης όταν χρησιμοποιείται bagging από το Random Forest. Οι σημαντικότεροι παράγοντες σύμφωνα με την σπουδαιότητα μετάθεσης χαρακτηριστικών (Permutation Importance) ήταν ο Δείκτης Ελκυστικότητας POI και η πυκνότητα του οδικού δικτύου. Η συγκριτική ανάλυση δύο σεναρίων έδειξε ότι η εφαρμογή του RF μειώνει τον αριθμό των υποψήφιων θέσεων από 313 σε 45, δηλαδή κατά 85,6%, και τον χρόνο επίλυσης από 116,1 s σε 15,2 s, δηλαδή κατά 86,9%. Και στα δύο σενάρια εξυπηρετούνται και τα 100 ηλεκτρικά οχήματα, επιλέγονται 25 σταθμοί και δεν παρατηρούνται παραβιάσεις του περιορισμού εμβέλειας. Ωστόσο, στο μοντέλο RF→LRP το συνολικό κόστος αυξάνεται από 99.458 € σε 186.537 €, δηλαδή κατά 87,6%, ενώ η μέση απόσταση οχήματος–σταθμού αυξάνεται από 0,45 km σε 2,04 km. Τα αποτελέσματα καταδεικνύουν ότι η Μηχανική Μάθηση μπορεί να λειτουργήσει αποτελεσματικά ως μηχανισμός περιορισμού του χώρου αναζήτησης και σημαντικής μείωσης του υπολογιστικού χρόνου, χωρίς όμως να εγγυάται οικονομικά ανώτερη λύση. Αντίθετα, αναδεικνύεται ένας σαφής συμβιβασμός μεταξύ υπολογιστικής και οικονομικής αποδοτικότητας, γεγονός που υπογραμμίζει την ανάγκη τα μοντέλα Μηχανικής Μάθησης να χρησιμοποιούνται ως εργαλεία υποστήριξης και όχι ως υποκατάστατα της διαδικασίας βελτιστοποίησης.