Fugu-MT 論文翻訳(概要): EVGen: Adversarial Networks for Learning Electric Vehicle Charging Loads and Hidden Representations

論文の概要: EVGen: Adversarial Networks for Learning Electric Vehicle Charging Loads and Hidden Representations

arxiv url: http://arxiv.org/abs/2108.03762v1
Date: Mon, 9 Aug 2021 00:23:47 GMT
ステータス: 処理完了
システム内更新日: 2021-08-10 15:12:29.745820
Title: EVGen: Adversarial Networks for Learning Electric Vehicle Charging Loads and Hidden Representations
Title（参考訳）: EVGen:電気自動車の充電負荷と隠れ表現を学習する敵ネットワーク
Authors: Robert Buechler, Emmanuel Balogun, Arun Majumdar and Ram Rajagopal
Abstract要約: 我々は、電気自動車(EV)の充電セッションと非絡み合い表現を学ぶために、GAN(Generative Adversarial Network)を開発した。このモデル構造は,非ラベル付き時間・電力パターンのパラメータ化に成功し,これらのパラメータを条件とした合成データを生成することができることを示す。
参考スコア（独自算出の注目度）: 4.273017002805776
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The nexus between transportation, the power grid, and consumer behavior is more pronounced than ever before as the race to decarbonize the transportation sector intensifies. Electrification in the transportation sector has led to technology shifts and rapid deployment of electric vehicles (EVs). The potential increase in stochastic and spatially heterogeneous charging load presents a unique challenge that is not well studied, and will have significant impacts on grid operations, emissions, and system reliability if not managed effectively. Realistic scenario generators can help operators prepare, and machine learning can be leveraged to this end. In this work, we develop generative adversarial networks (GANs) to learn distributions of electric vehicle (EV) charging sessions and disentangled representations. We show that this model structure successfully parameterizes unlabeled temporal and power patterns without supervision and is able to generate synthetic data conditioned on these parameters. We benchmark the generation capability of this model with Gaussian Mixture Models (GMMs), and empirically show that our proposed model framework is better at capturing charging distributions and temporal dynamics.
Abstract（参考訳）: 輸送部門を脱炭素化する競争が激化する中、輸送部門と電力網、消費者行動の差はかつてないほど顕著だ。輸送部門の電化は、技術シフトと電気自動車(EV)の迅速な展開につながっている。確率的および空間的に不均一な充電負荷の潜在的な増加は、十分に研究されていない独特な課題を示し、効果的に管理しなければグリッド操作、排出、システムの信頼性に重大な影響を与える。現実的なシナリオジェネレータはオペレータの準備に役立ち、マシンラーニングをこの目的に活用できます。本研究では,電気自動車(ev)充電セッションと異種表現の分布を学習するために,gans(generative adversarial network)を開発した。このモデル構造は,無ラベルの時間パターンとパワーパターンを無監督でパラメータ化でき,これらのパラメータを条件とした合成データを生成することができる。我々はガウス混合モデル(GMM)を用いてモデルの生成能力をベンチマークし、提案モデルフレームワークが電荷分布と時間ダイナミクスを捉えるのに優れていることを実証的に示す。

関連論文リスト

Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
論文参考訳（メタデータ） (2024-11-01T03:35:04Z)
Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文参考訳（メタデータ） (2023-10-18T18:38:59Z)
Communication-Efficient Design of Learning System for Energy Demand Forecasting of Electrical Vehicles [5.704507128756151]
時系列エネルギー利用予測問題に対する機械学習の応用は、様々な要因により難しい課題である。本稿では,トランスアーキテクチャの最近の進歩を組み合わせた通信効率のよい時系列予測モデルを提案する。提案モデルでは,トレーニング中のデータレートを著しく低減しつつ,性能が同等であることが示されている。
論文参考訳（メタデータ） (2023-09-04T00:30:25Z)
Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文参考訳（メタデータ） (2023-08-29T07:15:57Z)
Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文参考訳（メタデータ） (2022-06-28T17:08:31Z)
Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文参考訳（メタデータ） (2022-06-26T10:58:41Z)
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文参考訳（メタデータ） (2022-05-04T17:55:12Z)
Defining a synthetic data generator for realistic electric vehicle charging sessions [6.37470346908743]
電気自動車(EV)充電ステーションは、近年電力網で顕著になっている。しかし、そのようなEVセッションデータの可用性の制限は、これらの分野でのさらなる発展を妨げる。我々はEV充電セッションのための合成データ生成装置を開発した。
論文参考訳（メタデータ） (2022-02-28T11:18:40Z)
A Deep Learning Approach for Macroscopic Energy Consumption Prediction with Microscopic Quality for Electric Vehicles [0.0]
本稿では,電気自動車の電力消費をマクロレベルでモデル化する機械学習手法を提案する。エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値がかなり正確に学習可能であることを示す。このモデルは、リアルタイムの行動伝達モデルをサポートするために、POLARISトランスポーテーションシステムシミュレーションツールにデプロイされ、統合されている。
論文参考訳（メタデータ） (2021-11-25T01:20:32Z)
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)
Knowledge- and Data-driven Services for Energy Systems using Graph Neural Networks [0.9809636731336702]
グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
論文参考訳（メタデータ） (2021-03-12T13:00:01Z)

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。