ICMLAug, 2021

EVGen：用于学习电动汽车充电负载和隐藏表示的对抗网络

PDF
TL;DR本研究利用生成式对抗网络，学习电动汽车充电过程的分布规律，为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.
transportationpower gridelectric vehiclescharging loadgenerative adversarial networks
发现论文，激发创造
  • 面向区域电动车充电需求预测的基于物理知识和注意力机制的图学习方法

    该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

    Sep, 2023

  • 面向个性化防御网络攻击的电动车充电需求预测的联邦图学习

    电动汽车充电需求预测中减轻网络安全风险对于集体电动汽车充电的安全运营、电网稳定性和成本效益的基础建设至关重要。为了解决数据隐私和网络攻击易受影响的问题以及考虑不同充电站之间的空间相关性，本文提出了一种联邦图学习方法，涉及多个充电站来协同训练更通用的深度学习模型，用于需求预测，同时捕捉不同站点之间的空间相关性，并增强对潜在攻击的鲁棒性。

    Apr, 2024

  • 使用生成对抗网络进行无模型可再生场景生成

    本文提出了一种基于生成对抗网络的数据驱动方法用于清洁能源场景生成，结合了时空维度下的可再生能源生产模式，具有高效，实际和可行的特点。

    Jul, 2017

  • DClEVerNet: 大规模网络设施内高效电动汽车充电调度的深度组合学习

    本文针对电动汽车普及带来的电力网承载压力问题，提出了一种面向大规模网络化电动车充电站的预定管理程序，运用数据驱动的优化框架，结合深度学习和近似算法技术，实现电动车用户总体福利最大化，有效提高电网稳定性和效率，取得了比两种典型调度算法更好的效果，为进一步探索奠定了基础。

    May, 2023

  • 基于分布式网络的电动车充电控制的联邦强化学习

    电动车充电控制中的多智能体深度强化学习方法结合了多电动车充电与放电过程以及射线分布网络的优化功率流，通过联邦式深度强化学习算法来有效地学习最佳的充电控制策略，从而平衡车辆与电网之间的利益和减少驾驶员的焦虑情绪。

    Aug, 2023

  • 智能家居中用于合成数据生成的变分自编码生成对抗网络

    本文提出 VAE-GAN 作为智能电网数据生成模型，能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示，该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。

    Jan, 2022

  • 基于深度 Q 学习的智能电动车需求响应在智能电网中的智能调度

    使用深度强化学习进行电动车辆在微电网中的充电和放电活动调度，以对齐配电系统运营商提供的目标能源配置文件。

    Jan, 2024

  • 考虑终端用户灵活性的电动汽车充电的最优调度

    使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

    Oct, 2023

  • 基于多智能体强化学习的智能电动汽车充电建议

    本文提出了一个名为 Master 的框架，它采用深度强化学习方法，以智能化的方式推荐公共可用的电动汽车充电站，并联合考虑各种长期时空因素，包括充电基础设施、未来潜在的充电竞争等等。经过广泛的实验评估，Master 相对于九个基准方法具有最佳的综合性能。

    Feb, 2021

  • 使用生成对抗网络生成合成移动网络

    本文介绍了一种生成城市空间网络的模型：MoGAN，该模型基于生成对抗网络（GANs）算法，通过公共自行车和出租车运动数据集的实验证明 MoGAN 生成的网络真实性优于传统的 Gravity 和 Radiation 模型，可用于数据增强、模拟分析等领域。

    Feb, 2022