論文の概要: Uncovering Residential PV-EV Co-Adoption from Smart-Meter Data: Load Archetypes and Detection for Demand-Side Planning

• arxiv url: http://arxiv.org/abs/2609.28578v1
• Date: Wed, 23 Sep 2026 12:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.417395
• Title: Uncovering Residential PV-EV Co-Adoption from Smart-Meter Data: Load Archetypes and Detection for Demand-Side Planning
• Title（参考訳）: スマートメータデータから住宅用PV-EV共同設計:負荷アーチタイプと需要側計画検出
• Abstract要約: 電気自動車(EV)と屋上太陽光発電(PV)システムは住宅電力需要を変革している。 既存の文献の多くは、EV充電またはPV生成を独立して調査している。 我々は、高度計測インフラ(AMI)データを解析するための統合された2部ワークフローを開発する。
• 参考スコア（独自算出の注目度）: 3.1231899978018824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing adoption of electric vehicles (EVs) and rooftop photovoltaic (PV) systems is reshaping residential electricity demand and creating new challenges for demand-side management (DSM), tariff design, and low-voltage network planning. Much of the existing literature examines EV charging or PV generation in isolation, leaving the behavioral dynamics of household co-adoption less understood. We develop an integrated, two-part workflow to analyze advanced metering infrastructure (AMI) data. A discovery component applies dynamic time warping (DTW) k-means with DTW barycenter averaging to cluster daily import or export profiles into interpretable behavioral archetypes, while a predictive component trains a bidirectional long short-term memory (BiLSTM) model on 21-day windows and benchmarks it against tabular baselines for PV/EV activity detection. The EV activity labels are inferred from charging-like load signatures because charger measurements are unavailable. Using half-hourly AusNet residential data from Victoria, Australia, the clustering uncovers distinct patterns across PV-only, EV-only, co-adoption, and neither cohorts; for co-adopters, a midday-centered weekday export archetype accounts for approximately 50% of days. At validation-tuned thresholds, both BiLSTM and XGBoost achieve strong discrimination. BiLSTM obtains 0.991 for the area under the receiver operating characteristic curve (AUROC), 0.906 for macro-F1, and the highest recall on the most difficult class (0.836 for EV-only recall). Tree-based baselines remain competitive. Performance remains stable across plausible labeling rules (macro-F1: 0.894--0.914) and strictly forward temporal splits (macro-F1: 0.894--0.906).
• Abstract（参考訳）: 電気自動車(EV)や屋上太陽光発電(PV)の普及が進み、住宅需要が変化し、需要側管理(DSM)、関税設計、低電圧ネットワーク計画のための新たな課題が生まれつつある。 既存の文献の多くは、EV充電またはPV生成を単独で検討しており、家庭での協調作業の振る舞いのダイナミクスは理解されていないままである。 我々は、高度計測インフラ(AMI)データを解析するための統合された2部ワークフローを開発する。 発見コンポーネントは、毎日のインポートやエクスポートプロファイルを解釈可能な行動アーチタイプにクラスタ化するDTWバリセンタを平均化した動的時間ワープ(DTW)k平均を適用し、予測コンポーネントは21日間のウィンドウ上で双方向の長期メモリ(BiLSTM)モデルをトレーニングし、PV/EVアクティビティ検出のための表のベースラインに対してベンチマークする。 充電器の測定ができないため、EVアクティビティラベルは充電ライクな負荷シグネチャから推測される。 オーストラリアのビクトリア州のAusNetの半時間にわたる住宅データを用いて、このクラスタリングにより、PVのみ、EVのみ、コホートなしのパターンが明らかになった。 検証調整しきい値では、BiLSTMとXGBoostはどちらも強い差別を達成している。 BiLSTMは、受信機動作特性曲線(AUROC)の領域の0.991、マクロF1の0.906、最も困難なクラス(EVのみのリコールでは0.836)のリコールを得る。 木ベースのベースラインは競争力を維持している。 安定なラベリング規則(macro-F1: 0.894--0.914)と厳密な時間分割(macro-F1: 0.894--0.906)で性能は安定している。

関連論文リスト

• DREAM Technical Report [53.37525197047151]
  DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。 DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。 第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
  論文  参考訳（メタデータ） (2026-08-10T10:35:32Z)
• Spatio-temporal modelling of electric vehicle charging demand [0.41998444721319217]
  スコットランド全土で収集された新しいスケールの時系列データセット(2022年2025年)を紹介する。 我々は、Integrated Nested Laplace Approximation (INLA)を介して、潜在潜在潜在ガウス場としてのEV充電需要を近似推論する。 駅レベルの予測タスクでは,機械学習ベースラインに対する競合予測精度が向上し,また,リスク認識インフラ計画に不可欠な基本的不確かさの定式化と空間的・時間的分解特性の解釈が可能となった。
  論文  参考訳（メタデータ） (2026-04-21T09:52:22Z)
• The Impact of Battery Cell Configuration on Electric Vehicle Performance: An XGBoost-Based Classification with SHAP Interpretability [0.0]
  現在の文献では、バッテリー構成と電気自動車の性能の複雑な非線形関係をしばしば見落としている。 本研究では,EV加速性能を高(=4.0秒),中(4.0～7.0秒),低(>7.0秒)に分類する機械学習フレームワークを提案する。 分析の結果,電池の容量の増加は最初は送電量を増加させるが,その質量と複雑さは結果として性能を低下させることがわかった。
  論文  参考訳（メタデータ） (2026-03-01T21:08:30Z)
• 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)
• Dynamic Rolling Horizon Optimization for Network-Constrained V2X Value Stacking of Electric Vehicles Under Uncertainties [4.43248614452072]
  電気自動車(EV)のコーディネーションは、全車間(V2X)を通じて大きな利益をもたらすことができる 本研究の目的は、V2X価値構築フレームワーク(V2B)、V2G(V2G)、エネルギー取引など)を開発することである。
  論文  参考訳（メタデータ） (2025-02-13T13:06:56Z)
• Location based Probabilistic Load Forecasting of EV Charging Sites: Deep Transfer Learning with Multi-Quantile Temporal Convolutional Network [1.49199020343864]
  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。
  論文  参考訳（メタデータ） (2024-09-18T10:34:48Z)
• U-BEV: Height-aware Bird's-Eye-View Segmentation and Neural Map-based Relocalization [81.76044207714637]
  GPS受信が不十分な場合やセンサベースのローカライゼーションが失敗する場合、インテリジェントな車両には再ローカライゼーションが不可欠である。 Bird's-Eye-View (BEV)セグメンテーションの最近の進歩は、局所的な景観の正確な推定を可能にする。 本稿では,U-NetにインスパイアされたアーキテクチャであるU-BEVについて述べる。
  論文  参考訳（メタデータ） (2023-10-20T18:57:38Z)

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。