論文の概要: Data-Driven Probabilistic Energy Consumption Estimation for Battery
Electric Vehicles with Model Uncertainty
- arxiv url: http://arxiv.org/abs/2307.00469v1
- Date: Sun, 2 Jul 2023 04:30:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 15:55:27.517056
- Title: Data-Driven Probabilistic Energy Consumption Estimation for Battery
Electric Vehicles with Model Uncertainty
- Title（参考訳）: モデル不確実性を考慮した電気自動車のデータ駆動確率的エネルギー消費推定
- Authors: Ayan Maity, Sudeshna Sarkar
- Abstract要約: 本稿では,モデル不確実性を伴う確率的ニューラルネットワークを用いた運転行動中心のEVエネルギー消費推定モデルを提案する。
モデル不確実性をニューラルネットワークに組み込むことで、モンテカルロを用いたニューラルネットワークのアンサンブルを作成しました。
提案手法は, 平均絶対誤差9.3%を達成し, 既存のEVエネルギー消費モデルよりも精度が高い。
- 参考スコア（独自算出の注目度）: 1.0787390511207684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a novel probabilistic data-driven approach to trip-level
energy consumption estimation of battery electric vehicles (BEVs). As there are
very few electric vehicle (EV) charging stations, EV trip energy consumption
estimation can make EV routing and charging planning easier for drivers. In
this research article, we propose a new driver behaviour-centric EV energy
consumption estimation model using probabilistic neural networks with model
uncertainty. By incorporating model uncertainty into neural networks, we have
created an ensemble of neural networks using Monte Carlo approximation. Our
method comprehensively considers various vehicle dynamics, driver behaviour and
environmental factors to estimate EV energy consumption for a given trip. We
propose relative positive acceleration (RPA), average acceleration and average
deceleration as driver behaviour factors in EV energy consumption estimation
and this paper shows that the use of these driver behaviour features improves
the accuracy of the EV energy consumption model significantly. Instead of
predicting a single-point estimate for EV trip energy consumption, this
proposed method predicts a probability distribution for the EV trip energy
consumption. The experimental results of our approach show that our proposed
probabilistic neural network with weight uncertainty achieves a mean absolute
percentage error of 9.3% and outperforms other existing EV energy consumption
models in terms of accuracy.
- Abstract（参考訳）: 本稿では,バッテリ電気自動車(BEV)のトリップレベルエネルギー消費推定のための新しい確率的データ駆動手法を提案する。
電気自動車(EV)充電ステーションが極めて少ないため、EV走行エネルギー消費量の推定により、ドライバーにとってEVルーティングや充電計画が容易になる。
本稿では,モデル不確実性を伴う確率的ニューラルネットワークを用いた運転行動中心のEVエネルギー消費推定モデルを提案する。
モデル不確かさをニューラルネットワークに組み込むことにより,モンテカルロ近似を用いたニューラルネットワークのアンサンブルを構築した。
本手法は, 走行時のEVエネルギー消費量を推定するために, 様々な車両動特性, 運転行動, 環境要因を包括的に検討する。
本稿では、evエネルギー消費推定における運転行動要因として、相対正加速度(rpa)、平均加速度、平均減速を提案するとともに、これらの運転行動特徴を用いることにより、evエネルギー消費モデルの精度が大幅に向上することを示す。
本提案手法は,EV走行エネルギー消費の単一点推定ではなく,EV走行エネルギー消費の確率分布を予測する。
実験の結果,提案する重み不確かさを持つ確率的ニューラルネットワークは平均絶対パーセンテージ誤差9.3%を達成し,既存のevエネルギー消費モデルよりも精度が優れていることがわかった。
関連論文リスト
- EV-PINN: A Physics-Informed Neural Network for Predicting Electric Vehicle Dynamics [0.3749861135832072]
動的パラメータ(例えば、空力抵抗、ローリング抵抗)のオンボード予測は、EVの正確な経路計画を可能にする。
本稿では,物理情報を用いたニューラルネットワーク手法EV-PINNについて述べる。
論文 参考訳（メタデータ） (2024-11-22T02:56:47Z) - Privacy-Aware Energy Consumption Modeling of Connected Battery Electric
Vehicles using Federated Learning [4.68055125124498]
バッテリー電気自動車(BEV)は、大気汚染を減らす可能性から、現代都市ではますます重要になっている。
データプライバシに対する大衆の認識が高まるにつれて、BEVエネルギー消費モデリングの文脈でデータプライバシを保護するアプローチを採用することが不可欠である。
本研究は,ユーザプライバシを維持しつつ,BEVのエネルギー消費予測を改善するために,フェデレートラーニング(FL)手法を用いることの可能性を検討する。
論文 参考訳（メタデータ） (2023-12-12T15:40:38Z) - 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) - Autonomous and Human-Driven Vehicles Interacting in a Roundabout: A
Quantitative and Qualitative Evaluation [34.67306374722473]
我々は,イタリア・ミラノのラウンドアバウンドにおいて,交通渋滞を最小限に抑え,汚染を最小限に抑える政策を学ぶ。
最先端のコックピットを用いて学習方針を定性的に評価し,実世界に近い環境下での性能を評価する。
以上の結果から,ヒト駆動車両はAVの動態を最適化することの利点が示唆された。
論文 参考訳（メタデータ） (2023-09-15T09:02:16Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-17T05:34:46Z) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳（メタデータ） (2022-10-04T08:22:46Z) - 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) - 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) - Deep generative modeling for probabilistic forecasting in power systems [34.70329820717658]
本研究では,近年のディープラーニング技術である正規化フローを用いて,正確な確率予測を行う。
我々の方法論は他の最先端のディープラーニング生成モデルと競合していることを示す。
論文 参考訳（メタデータ） (2021-06-17T10:41:57Z) - 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) - Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to
reduce electric vehicle's driver's range anxiety by estimating energy
consumption in real-time [9.475039534437332]
畳み込みニューラルネットワーク(CNN)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。
BDT (Bagged Decision Tree) は推定値を微調整するために用いられる。
既存の手法と比較すると、開発手法は最低で0.14の絶対エネルギー偏差でより良い推定値を提供する。
論文 参考訳（メタデータ） (2020-08-31T12:45:15Z)
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。