論文の概要: Location based Probabilistic Load Forecasting of EV Charging Sites: Deep Transfer Learning with Multi-Quantile Temporal Convolutional Network
- arxiv url: http://arxiv.org/abs/2409.11862v1
- Date: Wed, 18 Sep 2024 10:34:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-19 18:09:15.067125
- Title: Location based Probabilistic Load Forecasting of EV Charging Sites: Deep Transfer Learning with Multi-Quantile Temporal Convolutional Network
- Title（参考訳）: EV充電サイトの位置に基づく確率的負荷予測:多成分時間畳み込みネットワークを用いた深層移動学習
- Authors: Mohammad Wazed Ali, Asif bin Mustafa, Md. Aukerul Moin Shuvo, Bernhard Sick,
- Abstract要約: 本稿では,多成分時間畳み込みネットワーク(MQ-TCN)を用いたEV充電サイトの位置に基づく負荷予測について述べる。
多様なEVユーザタイプを持つ4つの充電所(Caltech, JPL, Office-1, NREL)のデータについて実験を行った。
提案した MQ-TCN モデルでは,JPL 充電現場での日頭負荷予測において,XGBoost モデルよりも28.93% 向上した。
- 参考スコア（独自算出の注目度）: 1.49199020343864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrification of vehicles is a potential way of reducing fossil fuel usage and thus lessening environmental pollution. Electric Vehicles (EVs) of various types for different transport modes (including air, water, and land) are evolving. Moreover, different EV user groups (commuters, commercial or domestic users, drivers) may use different charging infrastructures (public, private, home, and workplace) at various times. Therefore, usage patterns and energy demand are very stochastic. Characterizing and forecasting the charging demand of these diverse EV usage profiles is essential in preventing power outages. Previously developed data-driven load models are limited to specific use cases and locations. None of these models are simultaneously adaptive enough to transfer knowledge of day-ahead forecasting among EV charging sites of diverse locations, trained with limited data, and cost-effective. This article presents a location-based load forecasting of EV charging sites using a deep Multi-Quantile Temporal Convolutional Network (MQ-TCN) to overcome the limitations of earlier models. We conducted our experiments on data from four charging sites, namely Caltech, JPL, Office-1, and NREL, which have diverse EV user types like students, full-time and part-time employees, random visitors, etc. With a Prediction Interval Coverage Probability (PICP) score of 93.62\%, our proposed deep MQ-TCN model exhibited a remarkable 28.93\% improvement over the XGBoost model for a day-ahead load forecasting at the JPL charging site. By transferring knowledge with the inductive Transfer Learning (TL) approach, the MQ-TCN model achieved a 96.88\% PICP score for the load forecasting task at the NREL site using only two weeks of data.
- Abstract（参考訳）: 自動車の電気化は化石燃料の使用を減らし、環境汚染を減らす潜在的方法である。
異なる輸送モード(空気、水、陸地を含む)の様々なタイプの電気自動車(EV)が進化している。
さらに、異なるEVユーザーグループ(通勤者、商業者または国内ユーザー、ドライバー)は、様々な時期に異なる充電インフラ(公共、プライベート、ホーム、職場)を使用することができる。
したがって、使用パターンとエネルギー需要は非常に確率的である。
これらの多様なEV利用プロファイルの充電需要の特性と予測は、停電を防ぐために不可欠である。
これまで開発されたデータ駆動ロードモデルは、特定のユースケースや場所に限定されていた。
いずれのモデルも、さまざまな場所のEV充電サイト間で、日頭予測に関する知識を伝達し、限られたデータで訓練し、コスト効率を上げるのに十分な適応性を持っていない。
本稿では, 従来モデルの限界を克服するために, MQ-TCN (Multi-Quantile Temporal Convolutional Network) を用いたEV充電サイトの位置に基づく負荷予測を行う。
我々は、学生、フルタイム、パートタイム、ランダムビジターなど多様なEVユーザータイプを持つ4つの充電サイト(Caltech、JPL、Office-1、NREL)のデータについて実験を行った。
予測区間被覆確率 (PICP) は93.62 %であり,提案した MQ-TCN モデルでは,JPL 充電場における日頭負荷予測のための XGBoost モデルよりも28.93 % 向上した。
インダクティブトランスファーラーニング(TL)アプローチで知識を伝達することにより、MQ-TCNモデルは、NRELサイトの負荷予測タスクに対して、わずか2週間のデータを使用して96.88.%のPICPスコアを達成した。
関連論文リスト
- Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。
各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。
微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
論文 参考訳（メタデータ） (2024-11-01T03:35:04Z) - 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) - 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) - 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) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - Defining a synthetic data generator for realistic electric vehicle
charging sessions [6.37470346908743]
電気自動車(EV)充電ステーションは、近年電力網で顕著になっている。
しかし、そのようなEVセッションデータの可用性の制限は、これらの分野でのさらなる発展を妨げる。
我々はEV充電セッションのための合成データ生成装置を開発した。
論文 参考訳（メタデータ） (2022-02-28T11:18:40Z) - 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) - Principal Component Density Estimation for Scenario Generation Using
Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。
当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文 参考訳（メタデータ） (2021-04-21T08:42:54Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z)
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。