Publication: K-Means ve genetik algoritma kullanarak elektrikli araç şarj ağı operatörleri için rota optimizasyonu
Abstract
Bu tez çalışması, elektrikli araç şarj ağı operatörlerinin saha operasyonlarını daha etkili ve sürdürülebilir bir şekilde yönetmelerini sağlamak amacıyla yapılmıştır. Elektrikli araç kullanımının yaygınlaşmasıyla birlikte, şarj altyapılarının etkin yönetimi ve operasyonel süreçlerin optimize edilmesi ihtiyacı giderek artmaktadır. Bu kapsamda çalışma, şarj noktalarının bakım ve onarım süreçlerinin en verimli rotalar üzerinden gerçekleştirilmesini hedeflemiş ve yenilikçi bir yöntem önermiştir. Şarj noktalarının kümelenmesi için K-Means algoritması kullanılmış ve her bir küme içerisindeki rota optimizasyonu Benzetilmiş Tavlama Algoritması ile gerçekleştirilmiştir. Kümeler arasında en kısa rotaların belirlenmesi ise Genetik Algoritma yardımıyla sağlanmıştır. Bu yöntem, operasyonel süreçlerde zaman ve maliyet tasarrufu sağlarken, saha ekiplerinin iş yükünü azaltarak iş gücünün daha verimli kullanılmasına olanak tanımıştır. Bunun yanı sıra, rota optimizasyonu sayesinde enerji tüketimi ve karbon emisyonlarında da belirgin bir azalma sağlanabilmektedir. Bu çalışma, elektrikli araç şarj altyapısının sürdürülebilir ve etkin bir şekilde yönetilmesine yönelik yenilikçi bir çözüm sunmaktadır. Özellikle, şarj ağı operatörlerinin stratejik karar alma süreçlerine katkı sağlayarak altyapının daha sistematik ve planlı bir şekilde kullanılmasını mümkün kılmaktadır. Çalışmanın sonuçları, yalnızca operatörlerin verimliliğini artırmakla kalmayıp, aynı zamanda elektrikli araç kullanıcılarının kesintisiz ve daha güvenilir bir hizmet almasını sağlamaktadır. Bu yaklaşım, hem sektördeki operasyonel zorlukları çözmeye yönelik güçlü bir model sunmakta hem de e-mobilite alanında sürdürülebilir gelişim için önemli bir adım teşkil etmektedir. Elde edilen sonuçlar, kümeleme ve optimizasyon algoritmalarının bir arada kullanılmasının e-mobilite sektörünün değişen ihtiyaçlarına cevap verme konusundaki önemini ve pratikliğini ortaya koymaktadır. Veri setindeki lokasyon sırasına dayalı referans rota ile optimize edilmiş rota karşılaştırıldığında, rota mesafesinde yaklaşık ortalama %38 oranında bir iyileşme sağlanmıştır.
This thesis has been conducted to enable electric vehicle (EV) charging network operators to manage field operations more effectively and sustainably. With the increasing adoption of electric vehicles, the need for efficient management of charging infrastructures and the optimization of operational processes is becoming more critical. In this context, the study aims to optimize the maintenance and repair workflows of charging stations by proposing an innovative approach that ensures the most efficient routes. The K-Means algorithm was employed for clustering charging stations, while the route optimization within each cluster was carried out using the Simulated Annealing Algorithm. Additionally, the shortest routes between clusters were determined with the help of the Genetic Algorithm. This approach not only provided significant time and cost savings in operational processes but also reduced the workload on field teams, enabling more efficient utilization of resources. Furthermore, the optimization of routes contributed to noticeable reductions in energy consumption and carbon emissions. This study offers an innovative solution for the sustainable and efficient management of EV charging infrastructures. It particularly enhances strategic decision-making processes for charging network operators by facilitating a more systematic and planned use of infrastructure. The findings of this research not only improve the efficiency of operators but also ensure uninterrupted and more reliable services for EV users. This approach presents a robust model for addressing operational challenges in the sector while marking an important step toward sustainable development in e-mobility. The results underscore the importance and practicality of combining clustering and optimization algorithms to meet the evolving needs of the e-mobility sector. When comparing the optimized route to the reference route, which was based on the location order in the dataset, an average improvement of approximately 38% in route distance was achieved.
This thesis has been conducted to enable electric vehicle (EV) charging network operators to manage field operations more effectively and sustainably. With the increasing adoption of electric vehicles, the need for efficient management of charging infrastructures and the optimization of operational processes is becoming more critical. In this context, the study aims to optimize the maintenance and repair workflows of charging stations by proposing an innovative approach that ensures the most efficient routes. The K-Means algorithm was employed for clustering charging stations, while the route optimization within each cluster was carried out using the Simulated Annealing Algorithm. Additionally, the shortest routes between clusters were determined with the help of the Genetic Algorithm. This approach not only provided significant time and cost savings in operational processes but also reduced the workload on field teams, enabling more efficient utilization of resources. Furthermore, the optimization of routes contributed to noticeable reductions in energy consumption and carbon emissions. This study offers an innovative solution for the sustainable and efficient management of EV charging infrastructures. It particularly enhances strategic decision-making processes for charging network operators by facilitating a more systematic and planned use of infrastructure. The findings of this research not only improve the efficiency of operators but also ensure uninterrupted and more reliable services for EV users. This approach presents a robust model for addressing operational challenges in the sector while marking an important step toward sustainable development in e-mobility. The results underscore the importance and practicality of combining clustering and optimization algorithms to meet the evolving needs of the e-mobility sector. When comparing the optimized route to the reference route, which was based on the location order in the dataset, an average improvement of approximately 38% in route distance was achieved.