論文の概要: Non-Intrusive Load Monitoring for Feeder-Level EV Charging Detection:
Sliding Window-based Approaches to Offline and Online Detection
- arxiv url: http://arxiv.org/abs/2312.01887v1
- Date: Mon, 4 Dec 2023 13:40:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 15:02:17.494066
- Title: Non-Intrusive Load Monitoring for Feeder-Level EV Charging Detection:
Sliding Window-based Approaches to Offline and Online Detection
- Title（参考訳）: フィードレベルEV充電検出のための非侵入負荷モニタリング:オフラインおよびオンライン検出へのウィンドウベーススライディングアプローチ
- Authors: Cameron Martin, Fucai Ke, Hao Wang
- Abstract要約: 我々は,スライディングウインドウの特徴抽出と古典的機械学習技術を含む,供給者レベルでのEV検出のための新規かつ効果的なアプローチを開発した。
開発した手法は,高速なトレーニングが可能な軽量で効率的なソリューションを提供する。
実験の結果,Fスコア98.88%,オンライン検出93.01%の高精度なEV充電検出が可能となった。
- 参考スコア（独自算出の注目度）: 4.820576346277399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding electric vehicle (EV) charging on the distribution network is
key to effective EV charging management and aiding decarbonization across the
energy and transport sectors. Advanced metering infrastructure has allowed
distribution system operators and utility companies to collect high-resolution
load data from their networks. These advancements enable the non-intrusive load
monitoring (NILM) technique to detect EV charging using load measurement data.
While existing studies primarily focused on NILM for EV charging detection in
individual households, there is a research gap on EV charging detection at the
feeder level, presenting unique challenges due to the combined load measurement
from multiple households. In this paper, we develop a novel and effective
approach for EV detection at the feeder level, involving sliding-window feature
extraction and classical machine learning techniques, specifically models like
XGBoost and Random Forest. Our developed method offers a lightweight and
efficient solution, capable of quick training. Moreover, our developed method
is versatile, supporting both offline and online EV charging detection. Our
experimental results demonstrate high-accuracy EV charging detection at the
feeder level, achieving an F-Score of 98.88% in offline detection and 93.01% in
online detection.
- Abstract（参考訳）: 配電網における電気自動車充電(EV)の理解は、エネルギー・輸送分野における効率的なEV充電管理と脱炭支援の鍵となる。
高度な計測インフラストラクチャにより、配電系統のオペレーターやユーティリティー企業は、彼らのネットワークから高分解能の負荷データを集めることができる。
これらの進歩により、非侵入負荷監視(NILM)技術は負荷測定データを用いてEV充電を検出することができる。
既存研究は主に家庭内におけるev帯電検出のためのnilmに着目しているが、フィーダレベルでのev帯電検出に関する研究のギャップがあり、複数の家庭からの負荷測定が組み合わさっているため、独特の課題がある。
本稿では,スライディングウインドウの特徴抽出と古典的機械学習技術,特にXGBoostやRandom Forestのようなモデルを含む,供給者レベルでのEV検出のための新規かつ効果的なアプローチを開発する。
提案手法は,迅速なトレーニングが可能な軽量かつ効率的なソリューションを提供する。
さらに,本手法は,オフラインおよびオンラインのEV充電検出をサポートする汎用的手法である。
実験では,高速ev帯電検出をフィーダレベルで行い,f-scoreを98.88%,オンライン検出を93.01%とした。
関連論文リスト
- Online Electric Vehicle Charging Detection Based on Memory-based Transformer using Smart Meter Data [19.865702673783154]
電気自動車(EV)の人気は、グリッドオペレーターとインフラに固有の課題をもたらす。
1つの重要な側面は、グリッド内のEV充電の存在を正確に識別する能力である。
ストリーミングスマートメーターからEVの充電を検出するために,リアルタイム(オンライン)に動作可能な新しいメモリベーストランス (M-TR) を提案する。
論文 参考訳（メタデータ） (2024-08-06T03:19:14Z) - Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data [4.820576346277399]
過去のスマートメーターデータを用いた家庭用充電予測手法を開発した。
我々は様々な予測時間で96.81%以上の精度を一貫して達成している。
論文 参考訳（メタデータ） (2024-03-20T02:17:16Z) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - An Efficient Distributed Multi-Agent Reinforcement Learning for EV
Charging Network Control [2.5477011559292175]
本稿では,EV所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。
その結果、CTDEフレームワークは、ネットワークコストを削減し、充電ネットワークの性能を向上させることを示した。
論文 参考訳（メタデータ） (2023-08-24T16:53:52Z) - Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart
Grid [56.838297900091426]
高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。
提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
論文 参考訳（メタデータ） (2023-08-14T17:14:58Z) - DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging
Scheduling in Large-scale Networked Facilities [5.78463306498655]
電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。
現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。
ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
論文 参考訳（メタデータ） (2023-05-18T14:03:47Z) - 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) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳（メタデータ） (2021-12-28T06:51:18Z) - 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)
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。