論文の概要: Predicting vehicles parking behaviour in shared premises for aggregated EV electricity demand response programs

• arxiv url: http://arxiv.org/abs/2109.09666v1
• Date: Mon, 20 Sep 2021 16:33:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 20:15:36.068427
• Title: Predicting vehicles parking behaviour in shared premises for aggregated EV electricity demand response programs
• Title（参考訳）: 集約型EV電力需要応答プログラムにおける共有施設における車両駐車行動予測
• Authors: Vinicius Monteiro de Lira, Fabiano Pallonetto, Lorenzo Gabrielli, Chiara Renso
• Abstract要約: 本稿では,共有駐車場における駐車時間推定手法を提案する。 我々は、駐車イベントの期間を予測するために、予測問題を教師付き機械学習タスクとして定式化する。 この予測期間は、ピーク時の電力需要を減少させる期間にわたって電力を割り当てるエネルギー管理システムに供給される。
• 参考スコア（独自算出の注目度）: 3.448121798373834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The global electric car sales in 2020 continued to exceed the expectations climbing to over 3 millions and reaching a market share of over 4%. However, uncertainty of generation caused by higher penetration of renewable energies and the advent of Electrical Vehicles (EV) with their additional electricity demand could cause strains to the power system, both at distribution and transmission levels. Demand response aggregation and load control will enable greater grid stability and greater penetration of renewable energies into the grid. The present work fits this context in supporting charging optimization for EV in parking premises assuming a incumbent high penetration of EVs in the system. We propose a methodology to predict an estimation of the parking duration in shared parking premises with the objective of estimating the energy requirement of a specific parking lot, evaluate optimal EVs charging schedule and integrate the scheduling into a smart controller. We formalize the prediction problem as a supervised machine learning task to predict the duration of the parking event before the car leaves the slot. This predicted duration feeds the energy management system that will allocate the power over the duration reducing the overall peak electricity demand. We structure our experiments inspired by two research questions aiming to discover the accuracy of the proposed machine learning approach and the most relevant features for the prediction models. We experiment different algorithms and features combination for 4 datasets from 2 different campus facilities in Italy and Brazil. Using both contextual and time of the day features, the overall results of the models shows an higher accuracy compared to a statistical analysis based on frequency, indicating a viable route for the development of accurate predictors for sharing parking premises energy management systems
• Abstract（参考訳）: 2020年の世界の電気自動車販売は、予想を上回って300万台を突破し、市場シェアは4%を超えた。 しかし、再生可能エネルギーの普及による発電の不確実性や電力需要の増加による電気自動車(EV)の出現は、配電・送電ともに電力系統に歪みをもたらす可能性がある。 需要応答集約と負荷制御により、グリッドの安定性が向上し、再生可能エネルギーがグリッドに浸透する。 本研究は,既存のEVの普及を前提として,駐車場におけるEVの充電最適化支援に適合する。 本稿では,特定の駐車場のエネルギー要件を推定し,最適なEV充電スケジュールを評価し,スマートコントローラにスケジューリングを統合することを目的とした,共有駐車場における駐車時間推定手法を提案する。 予測問題を教師付き機械学習タスクとして定式化し,車両がスロットを離れる前に駐車イベントの継続時間を予測する。 この予測期間は、ピーク時の電力需要を減少させる期間にわたって電力を割り当てるエネルギー管理システムに供給される。 提案手法の精度と予測モデルに最も関連する特徴を明らかにすることを目的とした2つの研究課題に触発された実験を構造化した。 イタリアとブラジルの2つのキャンパス施設の4つのデータセットの異なるアルゴリズムと特徴の組み合わせを実験した。 状況的・時間的特徴を両立させて, モデル全体の結果は, 頻度に基づく統計解析と比較して高い精度を示し, 駐車場エネルギー管理システム共有のための正確な予測器の開発に有効な経路を示す。

関連論文リスト

• Electric Vehicles coordination for grid balancing using multi-objective Harris Hawks Optimization [0.0]
  再生可能エネルギーの台頭は、地域グリッドのエネルギー収支に技術的および運用上の課題をもたらす電気自動車(EV)へのシフトと一致している。 複数のEVからグリッドへの電力フローの調整には、高度なアルゴリズムとロードバランシング戦略が必要である。 本稿では,安定した電力供給と安定したローカルグリッドの維持を目標として,一日のEVフリート調整モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-24T15:50:37Z)
• 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)
• 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)
• Forecasting Electric Vehicle Charging Station Occupancy: Smarter Mobility Data Challenge [0.0]
  Smarter Mobility Data Challengeは、EV充電ステーションの占有率を予測する予測モデルの開発に注力している。 この課題は、2020年から2021年の間に4つの地理的領域にわたる91の充電ステーションのデータセットを分析した。 その結果、EV充電ステーションの占有率を正確に予測するための階層的予測手法の可能性が浮き彫りになった。
  論文  参考訳（メタデータ） (2023-06-09T07:22:18Z)
• Uncertainty-Aware Prediction of Battery Energy Consumption for Hybrid Electric Vehicles [2.147325264113341]
  本稿では,バッテリエネルギー消費をモデル化するための機械学習手法を提案する。 予測の不確実性を低減させることで、この手法は車両の性能に対する信頼を高めるのに役立つ。 従来の手法に比べて,予測の不確実性や精度が向上した。
  論文  参考訳（メタデータ） (2022-04-27T10:29:38Z)
• Investigating the Spatiotemporal Charging Demand and Travel Behavior of Electric Vehicles Using GPS Data: A Machine Learning Approach [1.160208922584163]
  電気自動車(EV)は運転者の走行行動を変え、電力システムにかなりの電力需要をもたらす可能性がある。 電力需要はEVの走行行動に依存するため、日々の充電需要(CD)の予測は難しい課題となる。 本稿では,同市からのEVおよび従来のガソリン自動車のGPSデータを用いて,運転者の走行行動の変化について検討する。
  論文  参考訳（メタデータ） (2022-02-28T23:11:30Z)
• 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)
• Analyzing the Travel and Charging Behavior of Electric Vehicles -- A Data-driven Approach [1.7403133838762446]
  電気自動車(EV)は電力システムにかなりの電力需要をもたらす可能性がある。 本プロジェクトでは,全国住宅ホルドサーベイ(NHTS)データを用いて旅行の順序を定めている。 我々は、旅行開始時間、終了時間、距離など、ドライバーの次の旅行のパラメータを予測する機械学習モデルを開発する。
  論文  参考訳（メタデータ） (2021-06-11T15:53:59Z)
• 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)
• Intelligent Electric Vehicle Charging Recommendation Based on Multi-Agent Reinforcement Learning [42.31586065609373]
  電気自動車(ev)はその環境とエネルギーの持続可能性のために現代の交通システムで選択されている。 多くの都市では、限られた充電インフラとほとんどバランスの取れない充電需要のために、EVドライバーは充電に適した場所を見つけることができません。 公共充電ステーションをインテリジェントに推奨する,マルチエージェント時空間時空間学習(MasterReinforce)というフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-15T06:23:59Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。