論文の概要: Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand

• arxiv url: http://arxiv.org/abs/2106.10940v1
• Date: Mon, 21 Jun 2021 09:20:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:22:34.420093
• Title: Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand
• Title（参考訳）: 電気自動車充電需要の時空間予測
• Authors: Frederik Boe H\"uttel, Inon Peled, Filipe Rodrigues and Francisco C. Pereira
• Abstract要約: 電気自動車は、上昇傾向を逆転させる低炭素排出ソリューションを提供することができる。 この要件を満たすためには、充電需要の正確な予測が不可欠である。 我々は,電気自動車の充電需要を予測するために,公開データを利用することを提案する。
• 参考スコア（独自算出の注目度）: 19.155018449068645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electric vehicles can offer a low carbon emission solution to reverse rising emission trends. However, this requires that the energy used to meet the demand is green. To meet this requirement, accurate forecasting of the charging demand is vital. Short and long-term charging demand forecasting will allow for better optimisation of the power grid and future infrastructure expansions. In this paper, we propose to use publicly available data to forecast the electric vehicle charging demand. To model the complex spatial-temporal correlations between charging stations, we argue that Temporal Graph Convolution Models are the most suitable to capture the correlations. The proposed Temporal Graph Convolutional Networks provide the most accurate forecasts for short and long-term forecasting compared with other forecasting methods.
• Abstract（参考訳）: 電気自動車は、上昇傾向を逆転させる低炭素排出ソリューションを提供することができる。 しかし、これは需要を満たすのに使用されるエネルギーが緑色であることが要求される。 この要件を満たすためには、充電需要の正確な予測が不可欠である。 短期および長期の充電需要予測は、電力網の最適化と将来のインフラ拡張を可能にするだろう。 本稿では,電気自動車の充電需要を予測するために,公開データを利用することを提案する。 充電ステーション間の複雑な空間的時間的相関をモデル化するために、時間的グラフ畳み込みモデルは相関を捉えるのに最も適していると論じる。 提案した時間グラフ畳み込みネットワークは,他の予測手法と比較して,短期および長期予測において最も正確な予測を提供する。

関連論文リスト

• Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM [0.471858286267785]
  本稿では,ダッカ市の電力需要を短時間で正確に予測するために,畳み込みニューラルネットワーク(CNN)と積み重ねた双方向長短項メモリ(BiLSTM)アーキテクチャのハイブリッドモデルを提案する。 提案手法は,MAPE 1.64%,MSE 0.015,RMSE 0.122,MAE 0.092の他のベンチマークモデルと比較して,最高の予測結果を得た。
  論文  参考訳（メタデータ） (2024-06-10T09:02:07Z)
• AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
  本稿では,人工知能を用いた短期負荷予測手法を提案する。 その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T12:23:09Z)
• 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)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Electrical peak demand forecasting- A review [7.5337868245858255]
  本稿では,本論文におけるピーク負荷予測手法の概要について概説する。 本稿では,まず,ピーク負荷需要予測の正確かつ統一的な問題定義について述べる。 第2に,ピーク負荷予測手法に関する139の論文を体系的にレビューした。 第3に,ピーク負荷予測手法の比較分析を要約し,予測性能を改善するための最適化手法について述べる。
  論文  参考訳（メタデータ） (2021-08-03T10:04:33Z)
• Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting [68.86835407617778]
  Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。 長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
  論文  参考訳（メタデータ） (2021-06-24T13:43:43Z)
• Short-term forecast of EV charging stations occupancy probability using big data streaming analysis [0.0]
  本稿では,充電インフラからのデータストリームを処理可能なアーキテクチャを提案する。 最終目標は、現在から数分後に充電ステーションの可利用性を予測することである。 ストリーミングモデルは、履歴データのみを使用してトレーニングされたモデルよりもパフォーマンスがよい。
  論文  参考訳（メタデータ） (2021-04-26T12:03:02Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。