論文の概要: Learned Control Variates for Rare Grid-Outage Estimation at Electric Vehicle Charging Stations

• arxiv url: http://arxiv.org/abs/2610.27159v1
• Date: Mon, 19 Oct 2026 18:53:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.476219
• Title: Learned Control Variates for Rare Grid-Outage Estimation at Electric Vehicle Charging Stations
• Title（参考訳）: 電気自動車充電ステーションにおける希少配電系統の出力推定のための学習制御変数
• Abstract要約: 電気自動車の公共充電は、配電装置に大きく同期された負荷を加える。 ほとんどのネットワークでは、フィードを同時にオーバーロードすることはまれである。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public charging of electric vehicles (EVs) adds a large and synchronized load to the distribution feeders. In most networks, it is rare to overload a feeder at the same time. When it does happen, the consequences can be severe: an overloaded feeder stresses its transformers and can trigger cascading outages across a city. Planners who design for high reliability therefore need to estimate very small outage probabilities. To that end, plain Monte Carlo estimation with an expensive grid simulator can require a prohibitively large number of runs for this task. To reduce the number of runs, we propose a control variate (CV) built from a learned classifier of the outage, trained on cheap observable features such as temperature and load forecasts. We show that for any binary learner, the variance reduction is an explicit function of its recall and false-positive rate. Furthermore, we show that control variate based on a Gaussian proxy of the load loses its effect as outages become rarer, while a learner with non-vanishing precision keeps removing a fixed fraction of the variance even in the extreme rare-event regime. We verify these results in numerical experiments using a feeder-overload simulator across three orders of magnitude of outage probability and obtain that even weak learner with a single feature can remove a quarter of the variance, while a boosted-tree learner is able to remove about 60%. We then apply the estimator to the feeder network of Surabaya, Indonesia, in which the Gaussian load model leaves every feeder three to seven times the one-day-in-ten-years blackout target. At the same simulation budget, planning the reserve with the learned CV and a 95% confidence limit reduces the city-wide blackout days by a third compared with Monte Carlo. These results show that learned control variates can help planners design distribution grids that stay reliable against rare outages.
• Abstract（参考訳）: 電気自動車(EV)の公共充電は、配電装置に大きく同期した負荷を加える。 ほとんどのネットワークでは、フィードを同時にオーバーロードすることはまれである。 過負荷の供給装置がトランスフォーマーを負荷し、市内のカスケード障害を引き起こします。 したがって、高い信頼性のために設計するプランナーは、非常に小さな障害確率を見積もる必要がある。 この目的のために、高価なグリッドシミュレータを用いたモンテカルロ推定では、このタスクには極めて多くの実行が必要となる。 動作回数を減らすため, 温度や負荷予測などの安価で観測可能な特徴に基づいて, 学習した障害の分類器から構築した制御変数(CV)を提案する。 その結果,2進学習者の場合,差分低減はリコールと偽陽性率の明示的な関数であることがわかった。 さらに, 負荷のガウス的プロキシに基づく制御変数は, 停止が稀になるにつれてその効果が低下し, 非消滅精度の学習者は, 極端に希少な状態であっても, ばらつきの一定部分を取り除き続けていることを示す。 これらの結果は,3桁の停止確率のフィード・オーバーロード・シミュレータを用いて数値実験で検証し,単一特徴を持つ弱い学習者でも分散の4分の1を除去でき,一方,強化木学習者は約60%を除去できることを示す。 次に,インドネシアのスラバヤの供給者ネットワークに推定器を適用し,ガウス負荷モデルでは1日当たりのブラックアウト目標の3倍から7倍の供給者を残している。 同じシミュレーション予算では、学習したCVと95%の信頼度で予備費を計画することで、モンテカルロと比較して都市全体の停電日数が3分の1減少する。 これらの結果は、学習した制御変数が、稀な障害に対して信頼性のある分散グリッドを設計する上で有効であることを示している。

関連論文リスト

• Control-Ready Uncertainty for Trajectory Diffusion [9.672954117783908]
  Score-Curvature for Online Precision Estimation (SCOPE)は,制御可能な不確実性を伴う拡散軌道モデルを拡張する軽量モジュールである。 SCOPEは、スコア・曲率情報を蒸留することにより、各名目軌跡の周囲に構造化された精度行列を学習する。 歩行者予測,群集ナビゲーション,Maze2D制御,実世界のフランカ・パンダ操作において,モード条件付き多モード拡散バックボーンを用いたSCOPEの評価を行った。
  論文  参考訳（メタデータ） (2026-10-08T17:57:01Z)
• LOCUS: A Distribution-Free Loss-Quantile Score for Risk-Aware Predictions [1.8840155706520811]
  Locus は分布のないラッパーであり、固定予測関数に対する入出力損失スケールの信頼性スコアを生成する。 Locusはリスクランキングを効果的に獲得し、標準回帰よりも大きなロス周波数を低減できることを示す。
  論文  参考訳（メタデータ） (2026-03-02T15:25:50Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• 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)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Predicting UAV Type: An Exploration of Sampling and Data Augmentation for Time Series Classification [7.109915278353603]
  無人航空機のタイプを知ることは、それが持ってくる潜在的なリスクを判断する上で、長い道のりを歩むことができる。 本稿では,無人航空機を四輪車,六輪車,固定翼車として分類する機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-01T14:43:55Z)
• 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)
• Winner-Take-All Column Row Sampling for Memory Efficient Adaptation of Language Model [89.8764435351222]
  分散を低減した行列生成のために, WTA-CRS と呼ばれる新しい非バイアス推定系を提案する。 我々の研究は、チューニング変換器の文脈において、提案した推定器が既存のものよりも低い分散を示すという理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-05-24T15:52:08Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)

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。