論文の概要: Forecasting Battery Electric Vehicle Charging Behavior: A Deep Learning Approach Equipped with Micro-Clustering and SMOTE Techniques

• arxiv url: http://arxiv.org/abs/2307.10588v1
• Date: Thu, 20 Jul 2023 05:03:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 14:39:31.244883
• Title: Forecasting Battery Electric Vehicle Charging Behavior: A Deep Learning Approach Equipped with Micro-Clustering and SMOTE Techniques
• Title（参考訳）: バッテリー電気自動車の充電行動予測:マイクロクラスタ化とsmote技術を用いたディープラーニングアプローチ
• Authors: Hanif Tayarani, Trisha V. Ramadoss, Vaishnavi Karanam, Gil Tal, Christopher Nitta
• Abstract要約: 排出削減のため、世界中の交通電化が推進されている。 多くの自動車メーカーが近くバッテリー電気自動車(BEV)の生産を開始する 本研究では,BEVの走行と充電データの学習に極めて有効な,ニューラルネットワークアルゴリズムであるMicro Clustering Deep Neural Network (MCDNN)を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy systems, climate change, and public health are among the primary reasons for moving toward electrification in transportation. Transportation electrification is being promoted worldwide to reduce emissions. As a result, many automakers will soon start making only battery electric vehicles (BEVs). BEV adoption rates are rising in California, mainly due to climate change and air pollution concerns. While great for climate and pollution goals, improperly managed BEV charging can lead to insufficient charging infrastructure and power outages. This study develops a novel Micro Clustering Deep Neural Network (MCDNN), an artificial neural network algorithm that is highly effective at learning BEVs trip and charging data to forecast BEV charging events, information that is essential for electricity load aggregators and utility managers to provide charging stations and electricity capacity effectively. The MCDNN is configured using a robust dataset of trips and charges that occurred in California between 2015 and 2020 from 132 BEVs, spanning 5 BEV models for a total of 1570167 vehicle miles traveled. The numerical findings revealed that the proposed MCDNN is more effective than benchmark approaches in this field, such as support vector machine, k nearest neighbors, decision tree, and other neural network-based models in predicting the charging events.
• Abstract（参考訳）: エネルギーシステム、気候変動、公衆衛生が交通の電化に向けた主要な理由の1つである。 排出削減のため、世界各国で輸送電化が進められている。 その結果、多くの自動車メーカーが間もなくバッテリー電気自動車(BEV)のみの製造を開始する。 カリフォルニア州では、主に気候変動や大気汚染の懸念から、BEVの採用率が上昇している。 気候や大気汚染の目標には最適だが、不適切に管理されたBEV充電は、不十分な充電インフラと停電につながる可能性がある。 本研究では,BEVの走行と充電データを学習し,BEVの充電イベントを予測するためのニューラルネットワークアルゴリズムであるMicro Clustering Deep Neural Network (MCDNN)を開発した。 MCDNNは、2015年から2020年にかけてカリフォルニア州で132台のBEVから発生し、合計1570167台のBEVモデルにまたがる、堅牢な旅行と料金のデータセットを使って構成されている。 数値的な結果から,提案手法は支持ベクトルマシン,k近傍,決定木,その他のニューラルネットワークモデルなど,この分野のベンチマーク手法よりも有益であることが判明した。

関連論文リスト

• Energy Estimation of Last Mile Electric Vehicle Routes [0.62914438169038]
  ラストマイルのキャリアは、サステナビリティの目標を達成するために、電気自動車(EV)を配達船に組み入れている。 本稿では,ディープラーニングを用いた最終マイル配送経路におけるEVのエネルギー消費予測の問題に対処する。 私たちは、フィードフォワードニューラルネットワーク(NN)とリカレントニューラルネットワーク(RNN)から始まる、さまざまなディープラーニングソリューションを共有しています。
  論文  参考訳（メタデータ） (2024-08-21T21:38:40Z)
• 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)
• HoneyEVSE: An Honeypot to emulate Electric Vehicle Supply Equipments [14.413675592484926]
  HoneyEVSEは、電気自動車の充電ステーションをシミュレートする最初のハニーポットである。 HoneyEVSEは、EV充電プロセスの忠実度の高さをシミュレートすると同時に、ユーザがダッシュボードを通じてそれを操作できるようにする。 結果から,HoneyEVSEは露呈したサービス上で多数のインタラクションを惹きつけながら,Shodan honeyscoreメトリックを回避できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-12T09:15:07Z)
• 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)
• 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)
• Fast-BEV: Towards Real-time On-vehicle Bird's-Eye View Perception [43.080075390854205]
  純粋なカメラベースのBird's-Eye-View(BEV)は、高価なLidarセンサーを取り除き、経済的自律運転のための実現可能なソリューションとなる。 本稿では,車載チップ上でリアルタイムなBEV認識を実現する,Fast-BEVと呼ばれるシンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-19T03:58:48Z)
• 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)
• Driving and charging an EV in Australia: A real-world analysis [0.0]
  本研究は,オーストラリア全土の239台のEVの実走行および充電パターンのデータ収集を目的とする。 2021年11月にアプリケーションプログラミングインターフェースプラットフォームを通じて、現在のEV所有者からのデータ収集が開始され、現在公開されている。
  論文  参考訳（メタデータ） (2022-06-03T11:01:23Z)
• WEcharge: democratizing EV charging infrastructure [0.0]
  WEchargeは、個人所有の充電インフラを、ビジネスモデルを使って公共のEVオーナーと共有できるようにする。 ケーススタディは、消費者の嗜好がリソースマッチングを支配することを示している。
  論文  参考訳（メタデータ） (2022-03-25T16:43:31Z)
• 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)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)

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。