論文の概要: Interval Load Forecasting for Individual Households in the Presence of
Electric Vehicle Charging
- arxiv url: http://arxiv.org/abs/2306.03010v1
- Date: Mon, 5 Jun 2023 16:25:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 13:52:49.493373
- Title: Interval Load Forecasting for Individual Households in the Presence of
Electric Vehicle Charging
- Title(参考訳): 電気自動車充電における個人世帯のインターバル負荷予測
- Authors: Raiden Skala, Mohamed Ahmed T. A. Elgalhud, Katarina Grolinger, and
Syed Mir
- Abstract要約: 従来の内燃機関に代わる電気自動車(EV)への移行は、電気に対する社会的需要を増大させている。
本稿では,EV充電の有無を考慮した家庭用負荷予測のためのLong Short-Term Memory Bayesian Neural Networks (LSTM-BNN)を提案する。
その結果,提案するLSTM-BNNは,予測間隔の利点を生かして,点予測と類似した精度が得られた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The transition to Electric Vehicles (EV) in place of traditional internal
combustion engines is increasing societal demand for electricity. The ability
to integrate the additional demand from EV charging into forecasting
electricity demand is critical for maintaining the reliability of electricity
generation and distribution. Load forecasting studies typically exclude
households with home EV charging, focusing on offices, schools, and public
charging stations. Moreover, they provide point forecasts which do not offer
information about prediction uncertainty. Consequently, this paper proposes the
Long Short-Term Memory Bayesian Neural Networks (LSTM-BNNs) for household load
forecasting in presence of EV charging. The approach takes advantage of the
LSTM model to capture the time dependencies and uses the dropout layer with
Bayesian inference to generate prediction intervals. Results show that the
proposed LSTM-BNNs achieve accuracy similar to point forecasts with the
advantage of prediction intervals. Moreover, the impact of lockdowns related to
the COVID-19 pandemic on the load forecasting model is examined, and the
analysis shows that there is no major change in the model performance as, for
the considered households, the randomness of the EV charging outweighs the
change due to pandemic.
- Abstract(参考訳): 従来の内燃機関に代わる電気自動車(EV)への移行は、電気に対する社会的需要を増大させている。
電力需要予測にev充電からの追加需要を統合することは、発電と配電の信頼性を維持する上で重要である。
負荷予測研究は通常、オフィス、学校、公共充電ステーションに焦点をあてた家庭用EV充電の家庭を除外する。
さらに、予測の不確実性に関する情報を提供しないポイント予測を提供する。
そこで本稿では,EV充電の有無を考慮した家庭用負荷予測のためのLong Short-Term Memory Bayesian Neural Networks (LSTM-BNNs)を提案する。
このアプローチはLSTMモデルを利用して時間依存をキャプチャし、ベイズ推論でドロップアウト層を使用して予測間隔を生成する。
その結果,提案するLSTM-BNNは,予測間隔の利点を生かして,点予測と類似した精度が得られた。
さらに、新型コロナウイルスのパンデミックに関連するロックダウンが負荷予測モデルに与える影響について検討し、検討した家庭では、EV充電のランダム性がパンデミックによる変化を上回っているため、モデル性能に大きな変化はないことを示した。
関連論文リスト
- From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。
ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
論文 参考訳(メタデータ) (2025-01-06T05:53:38Z) - Hybrid Forecasting of Geopolitical Events [71.73737011120103]
SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。
このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。
機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
論文 参考訳(メタデータ) (2024-12-14T22:09:45Z) - 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) - Multiscale Spatio-Temporal Enhanced Short-term Load Forecasting of Electric Vehicle Charging Stations [4.239428835958199]
電気自動車(EV)の急速な拡大により、電気自動車充電ステーション(EVCS)の負荷予測がますます重要になっている。
EVCSの正確な負荷予測を実現する上での最大の課題は、充電行動の非線形性、異なるステーション間の空間的相互作用、使用パターンの複雑な時間的変動を考慮することである。
EVCSにおける負荷予測のためのマルチスケール時空間拡張モデル(MSTEM)を提案する。
論文 参考訳(メタデータ) (2024-05-29T12:54:22Z) - DiffPLF: A Conditional Diffusion Model for Probabilistic Forecasting of
EV Charging Load [21.784993854707288]
我々は、EV充電の確率的負荷予測のための新しい拡散モデルDiffPLFを考案した。
本稿では,DiffPLFを確率的時系列予測タスクに適応させるタスクインフォームド微調整手法を提案する。
その結果,従来の方法と比較して,MAEおよびCRPSでは39.58%,49.87%の顕著な上昇がみられた。
論文 参考訳(メタデータ) (2024-02-21T06:07:33Z) - Interactive Generalized Additive Model and Its Applications in Electric
Load Forecasting [12.431475555894089]
本稿では,電力産業において,解釈可能なだけでなく,特定の分野の知識を取り入れた対話型GAMを提案する。
我々の対話型GAMは、現在の最先端手法よりも優れており、極端な気象事象の場合に優れた一般化能力を示す。
インタラクティブなGAMをベースにしたユーザフレンドリーなWebベースのツールをローンチし、すでにeForecaster製品に組み込んでいます。
論文 参考訳(メタデータ) (2023-10-24T09:17:47Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - 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) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-23T16:56:37Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z)
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。