ScienceDirect Available online at

4. Conclusions and future work 
In this paper, we have introduced a charging strategy for multiple EVs charging demands using charging stations 
with several charging points. The objective is to remedy to the long waiting problem of EVs within charging 
stations. We have proposed a predictive algorithm based on predictive function principles. Basics and parameters of 
this function in the context of charging process are explained. According to these parameters, the prediction of the 
average charging time and charging rate using this trade-off approach is explained. The obtained results are 
compared using two use cases: full charging of EV batteries and using required energy according to the arrival of 
charging requests. A numerical example is worked out and the obtained results are reported and compared for these 
considered cases. As perspectives of this work, we further develop the proposed charging system and integrate the 
real time data. Furthermore, we will compare this approach with another one developed in our previous works using 
(max, +) algebra. We will evaluate the performances of both approaches in terms of the minimization of EVs waiting 
and maximization of their charging using VSIMRTI framework. Furthermore, accurate battery modelling is another 
on-going work [21] that will be adapted for successful prediction of SoC and the electric driving range as well. 
Acknowledgment 
This work is conducted under the collaborative framework OpenLab “PSA@Morocco - Sustainable mobility for 
Africa”. 
References 
[1] 
W. Ait-Cheik-Bihi, M. Bakhouya, J. Gaber, R. Outbib, E. Coatanea, X. Z. Gao, K. Zenger, “Towards an integrated service-oriented energy 
management platform for plugin hybrid electric vehicles“, 2012 IFAC Workshop on Multivehicle Systems, Espoo, Finland, 2012. 
[2] O.Sundstrӧm and C.Binding, “Planning electric-drive vehicle charging under constrained grid conditions,” in International Conference on 
Power System Technology, 2010.
[3] Y. He, B. Venkatesh andss L. Guan, “Optimal scheduling for charging and discharging of electric vehicles,” vol. 3, no. IEEE transactions on 
smart grid, 2012.
[4] J. Kang, S. J. Duncan and D. N. Mavris, “Real-time scheduling techniques for electric vehicle charging in support of frequency regulation,” 
Procedia Computer Science, no. Elsevier, pp. 767-775, 2013.
[5] H. Qin and W. Zhang, “Charging scheduling with minimal waiting in a network of electric vehicles and charging stations,” in Proceedings 
of the Eighth ACM international workshop on Vehicular inter-networking, ACM, 2011, pp. 51-60. 
[6] A. Ruzmetov, A. Nait-Sidi-Moh, M. Bakhouya and J. Gaber, “Towards an optimal assignment and scheduling for charging electric 
vehicles,” IEEE, Morocco, 2013. 
[7] A. Ruzmetov, A. Nait-Sidi-Moh and J. Gaber, “A (max - plus)-based approach for charging management of electric vehicles,” in The 2nd 
World Conference on Complex Systems(WCCS14), Agadir, Morocco, 2014.
[8] A. Lahlou1, F. Ossart, E. Boudard, F. Roy, M. Bakhouya, “A dynamic programming approach for thermal comfort control in electric 
vehicles“, in the 2018 Vehicle Power and Propulsion Conference (VPPC), Chicago, Illinois, USA, 2018. 
[9] B. Saeid, J. M. Scott, C. F. Joel and K. F. Hosam, “Plug-in hybrid electric vehicle charge pattern optimization for energy cost and battery 

---

 
A. Nait-Sidi-Moh et al. / Procedia Computer Science 141 (2018) 127–134 
133
6 
NaitSidiMoh et al./ Procedia Computer Science 00 (2018) 000–000 
requests (𝑛𝑛
!"
), which are received at a given time. Furthermore, the found average charging rates (𝜆𝜆(𝑗𝑗)) and the 
average charging times (𝑡𝑡
!
) based on accordingly the equations (2), and (3), (4), (5) will be main parameters to 
determine the charging rates and times of EVs set individually. 
The two considered scenarios: with and without considering required energy for EVs are used to show the 
differences between the proposed charging policies. The Gantt chart of Fig. 5 (a) shows the charging time and 
waiting time for each EV without considering the needed energy for charging requests. Without considering this 
energy, each EV is planned to be fully charged, consequently certain EVs have to wait for long time. Thus the 
accumulation of waiting times becomes more and more raised with the arrival of other charging requests. However, 
by considering the required energy of each demand and the inter-arrival of all charging requests, the predictive 
charging time varies from minimum charging time 𝐶𝐶𝐶𝐶
!"#
, corresponding in our case to the minimum accepted 
charging rate 𝑃𝑃
!"#
, to the arrival time of the next accepted charging request, which is limited by 𝐶𝐶𝐶𝐶
!"#
. If the next 
charging demand arrives after 𝐶𝐶𝐶𝐶
!"#
, the charging point is free and can be used at any time. In this case, the EVs 
will be charged with at least an accepted amount of energy and the accumulated waiting of EVs can be considerably 
reduced. The Gantt chart depicted in Fig. 5 (b) illustrates the results of this second case. Here, we consider that the 
needed battery energy varies between 20 and 80 %. We keep our first charging condition that charges each battery at 
least 50%, when the next EV charging demand arrives before the desired time and the battery can be charged for 
more than 50%. 
(a) (b)
Fig. 5. Waiting time and charging time (a) without needed energy, (b) with considering needed energy 
Furthermore, Fig. 6 (a) presents the difference between desired charging rates (according to the needed energy of 
each EV) and proposed charging rates. The needed energy is considered in this case for showing the comparison 
between the two approaches. We can see the difference of the desired charging rate and the proposed charging rate. 
The proposed charging rate is less than the desired charging rate because it depends on the requested time interval. 
In Figure 6 (b), distinguishable differences of the waiting times for the two studied cases are presented. The large 
scale reducing of the waiting times is compared to the battery SoC and charging without this information. Battery 
energy information, such as the SoC and related charging technology (slow or fast charging) can be helpful for the 
companies of energy distribution and smart grids in order to schedule daily loading costs. When the decision of 
charging EVs with 100% of energy is not kept, the accumulation of EVs waiting times can be reduced till 49.8%. 
 
NaitSidiMoh et al./ Procedia Computer Science 00 (2018) 000–000 
 7 
(a) (b) 
Fig. 6. (a) the difference between the desired and proposed charging rate, (b) the waiting time evolution