論文の概要: Online Electric Vehicle Charging Detection Based on Memory-based Transformer using Smart Meter Data
- arxiv url: http://arxiv.org/abs/2408.11828v1
- Date: Tue, 6 Aug 2024 03:19:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-25 14:01:15.520889
- Title: Online Electric Vehicle Charging Detection Based on Memory-based Transformer using Smart Meter Data
- Title（参考訳）: スマートメータデータを用いたメモリベース変圧器を用いたオンライン電気自動車充電検出
- Authors: Ammar Mansoor Kamoona, Hui Song, Mahdi Jalili, Hao Wang, Reza Razzaghi, Xinghuo Yu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.865702673783154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing popularity of Electric Vehicles (EVs) poses unique challenges for grid operators and infrastructure, which requires effectively managing these vehicles' integration into the grid. Identification of EVs charging is essential to electricity Distribution Network Operators (DNOs) for better planning and managing the distribution grid. One critical aspect is the ability to accurately identify the presence of EV charging in the grid. EV charging identification using smart meter readings obtained from behind-the-meter devices is a challenging task that enables effective managing the integration of EVs into the existing power grid. Different from the existing supervised models that require addressing the imbalance problem caused by EVs and non-EVs data, we propose a novel unsupervised memory-based transformer (M-TR) that can run in real-time (online) to detect EVs charging from a streaming smart meter. It dynamically leverages coarse-scale historical information using an M-TR encoder from an extended global temporal window, in conjunction with an M-TR decoder that concentrates on a limited time frame, local window, aiming to capture the fine-scale characteristics of the smart meter data. The M-TR is based on an anomaly detection technique that does not require any prior knowledge about EVs charging profiles, nor it does only require real power consumption data of non-EV users. In addition, the proposed model leverages the power of transfer learning. The M-TR is compared with different state-of-the-art methods and performs better than other unsupervised learning models. The model can run with an excellent execution time of 1.2 sec. for 1-minute smart recordings.
- Abstract（参考訳）: 電気自動車(EV)の普及は、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し、これらの車両のグリッドへの統合を効果的に管理する必要がある。
配電網のより良い計画と管理のための配電網オペレーター(DNO)にはEVの充電の同定が不可欠である。
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。
バック・ザ・メーター・デバイスから得られるスマート・メーター・リーダーを用いた電気自動車の充電識別は、既存の電力網へのEVの統合を効果的に管理する上で難しい課題である。
EVと非EVデータによる不均衡問題に対処する必要のある既存の教師付きモデルとは異なり,我々は,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教師なしメモリベーストランス (M-TR) を提案する。
拡張グローバル時間窓からのM-TRエンコーダと、限定時間枠(ローカルウィンドウ)に集中するM-TRデコーダを併用して、スマートメーターデータの微細な特性を捉えるために、粗大な歴史的情報を動的に活用する。
M-TRは、EVの充電プロファイルに関する事前の知識を必要とせず、非EVユーザの実際の消費電力データのみを必要としない異常検出技術に基づいている。
さらに,本モデルでは,伝達学習のパワーを活用している。
M-TRは様々な最先端の手法と比較され、他の教師なし学習モデルよりも優れている。
このモデルは、1分間のスマートレコードに対して1.2秒の優れた実行時間で実行できる。
関連論文リスト
- Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - 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) - 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) - A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in
Smart Grids [0.0]
本研究では、Deep Q-Learningを利用して、マイクログリッド内におけるEVの充電および排出活動のスケジューリングを行うモデルフリーソリューションを提案する。
我々は,EVスケジューリング動作に対する特定の報酬に基づいて状態の値を評価するためにベルマン方程式を適用し,ニューラルネットワークを用いて利用可能な動作に対するQ値とエプシロングレーディアルゴリズムを用いて,目標エネルギープロファイルを満たすために,エクスプロイトと探索のバランスをとる。
論文 参考訳（メタデータ） (2024-01-05T06:04:46Z) - Non-Intrusive Load Monitoring for Feeder-Level EV Charging Detection:
Sliding Window-based Approaches to Offline and Online Detection [4.820576346277399]
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。
論文 参考訳（メタデータ） (2023-12-04T13:40:22Z) - 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) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Confidence Attention and Generalization Enhanced Distillation for
Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。
CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-18T16:40:10Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。