論文の概要: A Hybrid Anomaly Detection Method for Electric Vehicle Identification from Smart Meter Recordings

• arxiv url: http://arxiv.org/abs/2611.01655v1
• Date: Sun, 01 Nov 2026 07:05:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:30:22.773935
• Title: A Hybrid Anomaly Detection Method for Electric Vehicle Identification from Smart Meter Recordings
• Title（参考訳）: スマートメータ記録からの電気自動車識別のためのハイブリッド異常検出法
• Abstract要約: 電気自動車(EV)は、輸送システムを脱炭する可能性から、多くの注目を集めている。 スマートメーター記録からEVを識別するための現在の手法は、それを分類タスクとしてフレーム化している。 本稿では,予測に基づく異常検出手法と再構成に基づく異常検出手法を組み合わせたハイブリッド異常検出手法を提案する。
• 参考スコア（独自算出の注目度）: 10.940344859161266
• License:
• Abstract: In recent years, electric vehicles (EVs) have attracted much attention due to their potential to decarbonize the transport system. EV charging imposes challenges on power grids, such as load imbalance and voltage instability. Therefore, electricity distributors need to identify which users have an EV. Smart meter recordings can be effectively used for this purpose. The major issue associated with such data is the imbalance problem, where the majority of the data belongs to users without EVs. The existing methods for EV identification from smart meter recordings have framed it as a classification task. In this paper, we frame the problem as an unsupervised problem and propose a hybrid anomaly detection method that combines the power of prediction-based and reconstruction-based anomaly detection methods. The proposed model considers temporal and stochastic representation information of smart meter time series via prediction-based and reconstruction-based components, respectively. The performance of the proposed model is compared with state-of-the-art supervised and unsupervised methods. Its superiority is verified on real-world data.
• Abstract（参考訳）: 近年、電気自動車(EV)は輸送システムを脱炭する可能性から注目されている。 EV充電は負荷不均衡や電圧不安定といった電力グリッドに課題を課す。 したがって、電気販売業者は、どのユーザーがEVを持っているかを特定する必要がある。 この目的のために、スマートメーター記録を効果的に利用することができる。 このようなデータに関連する大きな問題は、データの大部分がEVのないユーザに属している、不均衡な問題である。 スマートメーター記録からEVを識別するための既存の手法は、それを分類タスクと位置づけている。 本稿では,この問題を教師なし問題とみなし,予測に基づく異常検出と再構成に基づく異常検出を併用したハイブリッドな異常検出手法を提案する。 提案モデルは,予測ベースおよび再構成ベースコンポーネントを用いて,スマートメータ時系列の時間的および確率的表現情報について考察する。 提案モデルの性能は、最先端の教師付きおよび教師なしの手法と比較される。 その優位性は実世界のデータで検証される。

関連論文リスト

• Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving [46.17295445504376]
  逆気象条件は画素対応を歪め、自己教師付き損失関数に埋め込まれた仮定に違反する可能性がある。 レーダは悪天候下で広く採用されているセンサであるが、ポイント・オブ・ビュー(POV)におけるレーダーポイントの疎分布は、自己監督型核融合の課題を提起している。 マルチティーラー蒸留とロバストレーダ融合による全天候データを用いた新しい自己学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-23T17:11:33Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• Electric Vehicle Identification from Behind Smart Meter Data [14.982451748073409]
  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。
  論文  参考訳（メタデータ） (2025-09-11T10:10:26Z)
• 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)
• 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)
• Faraday: Synthetic Smart Meter Generator for the smart grid [0.0]
  本稿では,英国のエネルギー供給業者から3億以上のスマートメーターデータ読取を訓練した変分自動エンコーダ(VAE)モデルを提案する。 将来のエネルギーグリッドをモデル化することに関心のあるグリッドモデラーによる実世界の応用にモデルをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2024-04-05T13:18:10Z)
• A Real-time Anomaly Detection Using Convolutional Autoencoder with Dynamic Threshold [0.0]
  この研究は統計と畳み込みオートエンコーダを動的しきい値で組み合わせたハイブリッドモデリング手法を導入する。 このソリューションには、高度な監視システムに接続するリアルタイムのメーターレベルの異常検知システムが含まれている。
  論文  参考訳（メタデータ） (2024-04-05T11:03:36Z)
• 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)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Uncertainty-Aware Prediction of Battery Energy Consumption for Hybrid Electric Vehicles [2.147325264113341]
  本稿では,バッテリエネルギー消費をモデル化するための機械学習手法を提案する。 予測の不確実性を低減させることで、この手法は車両の性能に対する信頼を高めるのに役立つ。 従来の手法に比べて,予測の不確実性や精度が向上した。
  論文  参考訳（メタデータ） (2022-04-27T10:29:38Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。