論文の概要: Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand
- arxiv url: http://arxiv.org/abs/2411.00337v2
- Date: Mon, 04 Nov 2024 02:25:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 21:26:52.354217
- Title: Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand
- Title（参考訳）: 電気自動車充電需要の階層的確率予測
- Authors: Kedi Zheng, Hanwei Xu, Zeyang Long, Yi Wang, Qixin Chen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.7690784039257292
- License:
- Abstract: The growing penetration of electric vehicles (EVs) significantly changes typical load curves in smart grids. With the development of fast charging technology, the volatility of EV charging demand is increasing, which requires additional flexibility for real-time power balance. The forecasting of EV charging demand involves probabilistic modeling of high dimensional time series dynamics across diverse electric vehicle charging stations (EVCSs). This paper studies the forecasting problem of multiple EVCS in a hierarchical probabilistic manner. For each charging station, a deep learning model based on a partial input convex neural network (PICNN) is trained to predict the day-ahead charging demand's conditional distribution, preventing the common quantile crossing problem in traditional quantile regression models. Then, differentiable convex optimization layers (DCLs) are used to reconcile the scenarios sampled from the distributions to yield coherent scenarios that satisfy the hierarchical constraint. It learns a better weight matrix for adjusting the forecasting results of different targets in a machine-learning approach compared to traditional optimization-based hierarchical reconciling methods. Numerical experiments based on real-world EV charging data are conducted to demonstrate the efficacy of the proposed method.
- Abstract（参考訳）: 電気自動車(EV)の普及は、スマートグリッドの典型的な負荷曲線を大きく変える。
高速充電技術の発展に伴い、EV充電需要のボラティリティが増大し、リアルタイムの電力バランスにさらなる柔軟性が要求される。
EV充電需要の予測には、様々な電気自動車充電ステーション(EVCS)にわたる高次元時系列ダイナミクスの確率論的モデリングが含まれる。
本稿では,複数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、部分的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、従来の量子回帰モデルにおける一般的な量子交差問題を防止する。
次に、微分可能凸最適化層(DCL)を用いて、分布からサンプリングされたシナリオを再構成し、階層的制約を満たす一貫性のあるシナリオを生成する。
従来の最適化に基づく階層的整合法と比較して、機械学習アプローチで異なるターゲットの予測結果を調整するためのより優れた重み行列を学習する。
実世界のEV充電データに基づく数値実験を行い,提案手法の有効性を実証した。
関連論文リスト
- 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) - DiffPLF: A Conditional Diffusion Model for Probabilistic Forecasting of
EV Charging Load [21.784993854707288]
我々は、EV充電の確率的負荷予測のための新しい拡散モデルDiffPLFを考案した。
本稿では,DiffPLFを確率的時系列予測タスクに適応させるタスクインフォームド微調整手法を提案する。
その結果,従来の方法と比較して,MAEおよびCRPSでは39.58%,49.87%の顕著な上昇がみられた。
論文 参考訳（メタデータ） (2024-02-21T06:07:33Z) - 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) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Adaptive Probabilistic Forecasting of Electricity (Net-)Load [0.0]
電力負荷予測は電力システム事業者や電力市場参加者にとって必要な能力である。
局所的な発電、需要応答、熱と輸送の電化は、電力負荷の基本的な要因を変えつつある。
我々は点予測よりも確率的と考えるが、実際、電気系統を効率的にかつ確実に運用するには不確実性が必要である。
論文 参考訳（メタデータ） (2023-01-24T15:56:14Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳（メタデータ） (2021-04-28T16:48:44Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Probabilistic Load Forecasting Based on Adaptive Online Learning [7.373617024876726]
本稿では,隠れマルコフモデルの適応型オンライン学習に基づく確率的負荷予測手法を提案する。
本稿では,理論的保証のある学習予測手法を提案し,その性能を複数のシナリオで実験的に評価する。
その結果,提案手法は様々なシナリオにおいて既存手法の性能を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2020-11-30T12:02:26Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。