論文の概要: Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data
- arxiv url: http://arxiv.org/abs/2403.13246v1
- Date: Wed, 20 Mar 2024 02:17:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 18:17:45.253665
- Title: Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data
- Title（参考訳）: スマートメータデータを用いた電気自動車充電イベント予測のための分極変換器学習
- Authors: Fucai Ke, Hao Wang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.820576346277399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting electric vehicle (EV) charging events is crucial for load scheduling and energy management, promoting seamless transportation electrification and decarbonization. While prior studies have focused on EV charging demand prediction, primarily for public charging stations using historical charging data, home charging prediction is equally essential. However, existing prediction methods may not be suitable due to the unavailability of or limited access to home charging data. To address this research gap, inspired by the concept of non-intrusive load monitoring (NILM), we develop a home charging prediction method using historical smart meter data. Different from NILM detecting EV charging that has already occurred, our method provides predictive information of future EV charging occurrences, thus enhancing its utility for charging management. Specifically, our method, leverages a self-attention mechanism-based transformer model, employing a ``divide-conquer'' strategy, to process historical meter data to effectively and learn EV charging representation for charging occurrence prediction. Our method enables prediction at one-minute interval hour-ahead. Experimental results demonstrate the effectiveness of our method, achieving consistently high accuracy of over 96.81\% across different prediction time spans. Notably, our method achieves high prediction performance solely using smart meter data, making it a practical and suitable solution for grid operators.
- Abstract（参考訳）: 電気自動車(EV)の充電イベントは、負荷スケジューリングとエネルギー管理に不可欠であり、シームレスな輸送電化と脱炭を促進する。
従来の研究はEV充電需要予測(主に歴史的充電データを用いた公共充電ステーション)に重点を置いてきたが、家庭充電需要予測も同様に重要である。
しかし、既存の予測手法は、家庭の充電データにアクセスできない、あるいは制限されていないため、適していないかもしれない。
本研究は,非侵襲負荷モニタリング(NILM)の概念に触発されて,過去のスマートメーターデータを用いた家庭充電予測手法を開発した。
既に発生したEV充電を検出するNILMとは異なり、本手法は将来のEV充電発生の予測情報を提供し、充電管理の利便性を向上する。
具体的には,<divide-conquer' 戦略を用いて,自己注意機構に基づくトランスフォーマモデルを用いて,過去の計測データを効果的に処理し,充電発生予測のためのEV充電表現を学習する。
本手法では,1分間の時間差で予測が可能となる。
実験の結果,提案手法の有効性が示され,予測時間帯の96.81倍を超える精度が一貫して達成された。
特に,本手法はスマートメータデータのみを用いて高い予測性能を実現し,グリッド演算子に対して実用的かつ適切な解法である。
関連論文リスト
- 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) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - A physics-informed and attention-based graph learning approach for
regional electric vehicle charging demand prediction [7.441576351434805]
本稿では,特徴抽出のためのグラフと時間的注意機構の統合を実現する新しい手法を提案する。
中国深センの18,013台のEV充電杭のデータセットによる評価結果から,提案手法はPAGと呼ばれ,最先端の予測性能を達成可能であることが示された。
論文 参考訳（メタデータ） (2023-09-11T06:31:45Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - 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) - Interval Load Forecasting for Individual Households in the Presence of
Electric Vehicle Charging [0.0]
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。
論文 参考訳（メタデータ） (2023-06-05T16:25:33Z) - 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) - 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) - Short-term forecast of EV charging stations occupancy probability using
big data streaming analysis [0.0]
本稿では,充電インフラからのデータストリームを処理可能なアーキテクチャを提案する。
最終目標は、現在から数分後に充電ステーションの可利用性を予測することである。
ストリーミングモデルは、履歴データのみを使用してトレーニングされたモデルよりもパフォーマンスがよい。
論文 参考訳（メタデータ） (2021-04-26T12:03:02Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳（メタデータ） (2020-03-25T16:09:54Z)
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。