論文の概要: Electric Vehicle Identification from Behind Smart Meter Data
- arxiv url: http://arxiv.org/abs/2509.19316v1
- Date: Thu, 11 Sep 2025 10:10:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-28 15:30:14.413249
- Title: Electric Vehicle Identification from Behind Smart Meter Data
- Title（参考訳）: スマートメーターデータを用いた電気自動車の識別
- Authors: Ammar Kamoona, Hui Song, Ali Moradi Amani, Mahdi Jalili, Xinghuo Yu, Peter McTaggart,
- Abstract要約: 電気自動車(EV)の充電は、スマートメーター記録の裏側からの負荷の特定が不可欠である。
本稿では、教師なし学習手法を用いて、低周波スマートメータからのEV充電負荷同定の問題に対処する。
実際には豊富な非EVユーザーの実際の消費電力データしか必要としない。
- 参考スコア（独自算出の注目度）: 14.982451748073409
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electric vehicle (EV) charging loads identification from behind smart meter recordings is an indispensable aspect that enables effective decision-making for energy distributors to reach an informed and intelligent decision about the power grid's reliability. When EV charging happens behind the meter (BTM), the charging occurs on the customer side of the meter, which measures the overall electricity consumption. In other words, the charging of the EV is considered part of the customer's load and not separately measured by the Distribution Network Operators (DNOs). DNOs require complete knowledge about the EV presence in their network. Identifying the EV charging demand is essential to better plan and manage the distribution grid. Unlike supervised methods, this paper addresses the problem of EV charging load identification in a non-nonintrusive manner from low-frequency smart meter using an unsupervised learning approach based on anomaly detection technique. Our approach does not require prior knowledge of EV charging profiles. It only requires real power consumption data of non-EV users, which are abundant in practice. We propose a deep temporal convolution encoding decoding (TAE) network. The TAE is applied to power consumption from smart BTM from Victorian households in Australia, and the TAE shows superior performance in identifying households with EVs.
- Abstract（参考訳）: 電気自動車(EV)は、電力グリッドの信頼性に関する情報的かつインテリジェントな決定に達することができるため、スマートメーター記録の裏側からの負荷の特定が不可欠である。
EV充電がメーター(BTM)の後方で発生するとき、充電はメーターの顧客側で行われる。
言い換えれば、EVの充電は顧客の負荷の一部であり、配信ネットワークオペレーター(DNO)によって別々に測定されていない。
DNOは、彼らのネットワークにおけるEVの存在について完全な知識を必要とする。
配電網のより良い計画と管理にはEV充電需要の特定が不可欠である。
本稿では,非教師なし学習手法を用いて,低周波スマートメータによるEV充電負荷同定の問題に対処する。
当社のアプローチでは、EV充電プロファイルに関する事前知識は必要ありません。
実際には豊富な非EVユーザーの実際の消費電力データしか必要としない。
本稿では,TAE(Deep temporal convolution encoding decoding)ネットワークを提案する。
TAEはオーストラリアのビクトリア朝の家庭からのスマートBTMからの電力消費に適用され、TAEはEVによる世帯識別において優れた性能を示している。
関連論文リスト
- Profiling Electric Vehicles via Early Charging Voltage Patterns [56.4040698609393]
電気自動車(EV)は、燃料駆動車に代わる持続可能な代替手段として急速に普及している。
近年の結果,攻撃者はリレー攻撃によってエネルギーを盗む可能性が示唆された。
1つの対策は、充電中に交換された電流でEVの指紋を活用することだ。
論文 参考訳（メタデータ） (2025-06-09T12:57:37Z) - Agent-Based Decentralized Energy Management of EV Charging Station with Solar Photovoltaics via Multi-Agent Reinforcement Learning [4.9855485718502015]
電気自動車(EV)の採用は増え続けており、EV充電ステーションのエネルギー管理が極めて重要である。
従来の研究では、グリッド安定性を維持しながらEV充電のエネルギーコストを削減できた。
本稿では,各充電器をエージェントとして扱うマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳（メタデータ） (2025-05-24T15:34:37Z) - Uncertainty-Aware Critic Augmentation for Hierarchical Multi-Agent EV Charging Control [9.96602699887327]
ビルとEVの両方のエネルギー需要を規制する新しいリアルタイム充電制御であるHUCAを提案する。
HUCAは階層的なアクタークリティカルネットワークを使用して、動的価格シナリオにおけるEV充電の必要性を考慮して、建物の電力コストを動的に削減する。
実世界の電気データセットのシミュレーションと不確実な離脱シナリオによる実験により、HUCAは総電力コストにおいてベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2024-12-23T23:45:45Z) - 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) - 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) - 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) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-17T05:34:46Z) - 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) - 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) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。