論文の概要: Explaining the distribution of energy consumption at slow charging infrastructure for electric vehicles from socio-economic data

• arxiv url: http://arxiv.org/abs/2006.01672v2
• Date: Wed, 3 Jun 2020 06:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 01:23:36.993980
• Title: Explaining the distribution of energy consumption at slow charging infrastructure for electric vehicles from socio-economic data
• Title（参考訳）: 社会経済データによる電気自動車の低速充電インフラにおけるエネルギー消費分布の解明
• Authors: Milan Straka, Rui Carvalho, Gijs van der Poel, \v{L}ubo\v{s} Buzna
• Abstract要約: 本研究では,低速帯電インフラ周辺環境の動作,機能,特性を解析し,低速帯電インフラで消費される電気の分布に影響を及ぼすようなデータ中心型アプローチを開発する。
• 参考スコア（独自算出の注目度）: 2.1294627833637576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Here, we develop a data-centric approach enabling to analyse which activities, function, and characteristics of the environment surrounding the slow charging infrastructure impact the distribution of the electricity consumed at slow charging infrastructure. To gain a basic insight, we analysed the probabilistic distribution of energy consumption and its relation to indicators characterizing charging events. We collected geospatial datasets and utilizing statistical methods for data pre-processing, we prepared features modelling the spatial context in which the charging infrastructure operates. To enhance the statistical reliability of results, we applied the bootstrap method together with the Lasso method that combines regression with variable selection ability. We evaluate the statistical distributions of the selected regression coefficients. We identified the most influential features correlated with energy consumption, indicating that the spatial context of the charging infrastructure affects its utilization pattern. Many of these features are related to the economic prosperity of residents. Application of the methodology to a specific class of charging infrastructure enables the differentiation of selected features, e.g. by the used rollout strategy. Overall, the paper demonstrates the application of statistical methodologies to energy data and provides insights on factors potentially shaping the energy consumption that could be utilized when developing models to inform charging infrastructure deployment and planning of power grids.
• Abstract（参考訳）: 本研究では,低速充電インフラを取り巻く環境のどの活動,機能,特性が低速充電インフラで消費される電力分布に影響を及ぼすかを分析するデータ中心の手法を開発した。 基本的な知見を得るため,エネルギー消費の確率分布と充電事象を特徴付ける指標との関係を解析した。 地理空間データセットを収集し,統計手法を用いてデータの前処理を行い,課金インフラストラクチャが動作する空間的コンテキストをモデル化する特徴を作成した。 結果の統計的信頼性を高めるために,レグレッションと可変選択能力を組み合わせたLasso法とともにブートストラップ法を適用した。 選択された回帰係数の統計的分布を評価する。 エネルギー消費と相関する最も影響力のある特徴を同定し,充電インフラの空間的文脈が利用パターンに影響を及ぼすことを示す。 これらの特徴の多くは住民の経済的繁栄に関連している。 特定の種類の充電インフラへの方法論の適用は、例えば使用済みのロールアウト戦略によって選択された特徴の分化を可能にする。 総じて,エネルギーデータへの統計手法の適用を実証し,電力グリッドの充電インフラストラクチャの展開と計画に報知するためにモデルを開発する際に利用可能なエネルギー消費を形作る要因について考察する。

関連論文リスト

• Attention-based Citywide Electric Vehicle Charging Demand Prediction Approach Considering Urban Region and Dynamic Influences [5.687001127686438]
  電気自動車の充電需要予測のための注意に基づく異種データ融合手法(ADF)を提案する。 非ペアワイズ関係を学習するために、サービス領域を、その領域における関心点の種類と数によってクラスタ化する。 都市の異なる地域での予測結果に及ぼす動的影響の影響とクラスタリング手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-24T14:19:38Z)
• Leveraging Graph Neural Networks to Forecast Electricity Consumption [3.157383076370605]
  この研究は、従来の一般化付加モデルフレームワークを超えて、新しいアプローチを提供する。 本稿では,消費予測に適したグラフを推定する手法と,開発したモデルを評価するためのフレームワークを紹介する。 本研究は,フランス本土の地域を考慮した総合的および現実的な枠組みで,電気予測の実験を行う。
  論文  参考訳（メタデータ） (2024-08-30T15:54:50Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• Scaling Laws for Sparsely-Connected Foundation Models [70.41266138010657]
  大規模データセット上でトレーニングしたトランスフォーマーのスケーリング挙動に及ぼすパラメータ空間の影響について検討する。 重み空間,非ゼロパラメータ数,およびトレーニングデータの量との関係を記述した最初のスケーリング法則を同定する。
  論文  参考訳（メタデータ） (2023-09-15T16:29:27Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• Characterizing Residential Load Patterns by Household Demographic and Socioeconomic Factors [3.3880352469193475]
  本研究の目的は, 人口統計情報と社会経済情報に基づいて, ユーザの負荷パターンを特徴づけ, 推定することである。 我々は、ユーザの負荷パターンと人口動態と社会経済的特徴との関係を分析するディープニューラルネットワーク(DNN)を開発した。
  論文  参考訳（メタデータ） (2021-06-04T15:01:35Z)
• Decision-making Oriented Clustering: Application to Pricing and Power Consumption Scheduling [61.062312682535755]
  本稿では、意思決定指向クラスタリングの枠組みを定式化し、データ空間の判断に基づく分割と適切な代表決定を提供するアルゴリズムを提案する。 この新しいフレームワークとアルゴリズムを、リアルタイム価格と消費電力スケジューリングの典型的な問題に適用することにより、洞察に富んだ分析結果を得る。
  論文  参考訳（メタデータ） (2021-06-02T08:41:04Z)
• Uncover Residential Energy Consumption Patterns Using Socioeconomic and Smart Meter Data [2.9340691207364786]
  実世界のスマートメータデータを分析し,k-medoidsクラスタリングを用いて負荷パターンを抽出する。 負荷パターンと社会経済的特徴の関係を推定するために,特徴選択と深層学習モデルを用いた分析フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-04-12T01:57:14Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。