AI-based framework for EV aggregators bidding in service markets

Abstract

Este Trabajo Fin de Máster desarrolla y valida un marco de predicción a corto plazo para estimar, con horizonte día-adelantado y resolución horaria, la demanda de carga de un agregador de vehículos eléctricos. A partir de ~35.000 sesiones reales, se implementa una canalización reproducible que integra depuración de datos (cribado IQR), ingeniería de variables (retardos de 1, 24 y 168 horas, estadísticas móviles y codificaciones cíclicas) y una evaluación temporal estricta sin fugas. El desempeño del modelo propuesto —un Bosque Aleatorio— se contrasta frente a bases de referencia clásicas (ingenuo estacional, ETS y una variante SARIMA) bajo un protocolo precomprometido y una única evaluación en un año de prueba (8.760 horas).

En el año retenido para test, el Bosque Aleatorio alcanza MAE = 3,013 kWh, RMSE = 4,874 kWh, R² = 0,735 y nMAE = 44,93%, lo que supone una reducción de ~44% del MAE respecto del ingenuo estacional. Los errores absolutos se concentran en picos matutinos y vespertinos, mientras que la nMAE aumenta de madrugada por denominadores bajos. La importancia de variables revela la dominancia del retardo de 1 hora y de la estructura diurna/semanal; la temperatura y el calendario aportan valor marginal en este contexto residencial.

Se concluye que un enfoque parsimonioso, transparente y gobernable supera a baselines robustos y ofrece diagnósticos útiles para su despliegue operativo (planificación de capacidad, suavizado de picos y fijación de márgenes de riesgo). Como líneas futuras se proponen el pronóstico probabilístico, la incorporación de señales exógenas más ricas (ocupación/llegadas, precios) y la validación externa en otras flotas y estaciones para cuantificar la generalización del método.This thesis develops and validates a short-term forecasting framework to produce day-ahead, hourly predictions of an electric-vehicle aggregator’s charging demand. Using ~35,000 real charging sessions, the study implements a fully reproducible pipeline combining robust data curation (IQR screening), feature engineering (lags at 1, 24, and 168 hours, rolling statistics, and cyclic encodings), and strict time-ordered evaluation to prevent leakage. A Random Forest forecaster is benchmarked against classical baselines (seasonal naïve, ETS, and a SARIMA variant) under a pre-committed protocol with a single held-out test year comprising 8,760 hours.

On the test year, the Random Forest attains MAE = 3.013 kWh, RMSE = 4.874 kWh, R² = 0.735, and nMAE = 44.93%, yielding an ~44% MAE reduction relative to the seasonal-naïve baseline. Absolute errors concentrate at morning and evening peaks, whereas normalized errors inflate overnight due to low denominators. Feature-importance diagnostics show lag-1 dominance and strong diurnal/weekly structure; temperature and coarse calendar effects add limited incremental value in this residential setting.

The findings indicate that a parsimonious, transparent, and auditable approach can outperform strong statistical baselines while providing actionable diagnostics for practical deployment, including capacity planning, peak shaving, and risk-margin setting. Future work should prioritize probabilistic forecasting, richer exogenous signals (e.g., occupancy/arrivals, prices), and external validation across fleets and seasons to assess generalizability.