Yvenn Amara-Ouali

Mr. Yvenn Amara-Ouali


Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
16 April 2021 in Energies
Verified
Journal Article
Open access
PDF file
YAYvenn Amara-Ouali
Yvenn Amara-Ouali
YGYannig Goude
Yannig Goude
PMPascal Massart
Pascal Massart
JPJean-Michel Poggi
Jean-Michel Poggi
HYHui YAN
Hui YAN
The field of electric vehicle charging load modelling has been growing rapidly in the last decade. In light of the Paris Agreement, it is crucial to keep encouraging better modelling techniques for successful electric vehicle adoption. Additionally, numerous papers highlight the lack of charging station data available in order to build models that are consistent with reality. In this context, the purpose of this article is threefold. First, to provide the reader with an overview of the open datasets available and ready to be used in order to foster reproducible research in the field. Second, to review electric vehicle charging load models with their strengths and weaknesses. Third, to provide suggestions on matching the models reviewed to six datasets found in this research that have not previously been explored in the literature. The open data search covered more than 860 repositories and yielded around 60 datasets that are relevant for modelling electric vehicle charging load. These datasets include information on charging point locations, historical and real-time charging sessions, traffic counts, travel surveys and registered vehicles. The models reviewed range from statistical characterization to stochastic processes and machine learning and the context of their application is assessed.

11 July 2022 in International Journal of Forecasting
Verified
Journal Article
Closed access
YAYvenn Amara-Ouali
Yvenn Amara-Ouali
MFMatteo Fasiolo
Matteo Fasiolo
YGYannig Goude
Yannig Goude
HYHui YAN
Hui YAN

9 February 2025 in World Electric Vehicle Journal
Verified
Journal Article
Open access
PDF file
YAYvenn Amara-Ouali
Yvenn Amara-Ouali
BHBachir Hamrouche
Bachir Hamrouche
GPGuillaume Principato
Guillaume Principato
YGYannig Goude
Yannig Goude
The transition to electric vehicles (EVs) presents challenges and opportunities for the management of electrical networks. This paper focuses on developing and evaluating probabilistic forecasting algorithms to understand and predict EV charging behaviours, crucial for optimising grid operations and ensuring a balance between electricity demand and generation. Several forecasting approaches tailored to different time horizons are proposed across diverse model classes, including direct, bottom-up, and adaptive approaches. In all approaches, the target variable can be the load curve quantiles from 0.1 to 0.9 with 0.1 increments or prediction sets with a target coverage of 80%. Direct approaches learn from past load curves using GAMLSS or QGAM methods. Bottom-up approaches predict individual charging session characteristics (arrival time, charging duration, and energy demand) with mixture models before reconstructing the load curve. Adaptive approaches correct in real-time the prediction sets issued by direct or bottom-up approaches with conformal predictions. The experiments, conducted on real-world charging session data from Palo Alto, demonstrate the effectiveness of the proposed methods with regard to different metrics, including pinball loss, empirical coverage, and RPS. Overall, the results highlight the importance of quantifying uncertainty in load forecasts and the potential of probabilistic forecasting for EV load management.

7 April 2026
Verified
Thesis
Closed access
YAYvenn Amara-Ouali
Yvenn Amara-Ouali
Modélisation statistique des comportements de charge des véhicules électriques: Le développement des véhicules électriques (VEs) est un levier majeur vers un transport bas carbone. Il s'accompagne d'un nombre croissant d'infrastructures de recharge qui peuvent être utilisées comme actifs flexibles de gestion du réseau. Pour permettre cette recharge intelligente, une prévision journalière efficace des comportements de charge est nécessaire. Dans ce contexte, l'objectif de cette thèse est triple : (a) identifier les techniques de modélisation actuelles et les données ouvertes disponibles (b) proposer de nouvelles méthodologies de charge des VE pour caractériser leurs comportements de charge (c) spécifier des techniques innovantes pour la prévision des pics de consommation. Le premier chapitre du manuscrit présente les enjeux industriels et introduit le cadre de la modélisation de la charge des VE. Le chapitre 2 présente un examen approfondi des modèles de charge de VE à l'état de l'art ainsi qu'une exploration de 8 jeux de données ouverts de sessions de recharge trouvés dans cette recherche. Le chapitre 3 propose une étude comparative de 14 modèles de charge et d'occupation des VE sur les 8 jeux de données présentés au cours du chapitre précédent. Le chapitre 4 propose un modèle pour les arrivées des VE aux points de charge sous la forme d'un processus de Poisson non homogène avec des effets additifs projetés sur des bases de splines et d'ondelettes. Enfin, le chapitre 5 présente un modèle pour la prévision journalière des pics de demande électrique avec une approche multi-résolution. Nous montrons que les approches proposées dans nos travaux sont compétitives avec les meilleures alternatives existantes en évaluant leurs performances sur des données réelles.

22 June 2026
Verified
Conference Paper
Open access
KBKaoutar Bouaachra
Kaoutar Bouaachra
YAYvenn Amara-Ouali
Yvenn Amara-Ouali
YGYannig Goude
Yannig Goude
RLRaphaël Lachièze-Rey
Raphaël Lachièze-Rey