使用 CNN EfficientNet 和 IGTD 算法进行电池电动汽车电荷水平的预测建模

Jun, 2022

使用 CNN EfficientNet 和 IGTD 算法进行电池电动汽车电荷水平的预测建模

Predictive Modeling of Charge Levels for Battery Electric Vehicles using CNN EfficientNet and IGTD Algorithm

Seongwoo Choi, Chongzhou Fang, David Haddad, Minsung Kim

TL;DR应用卷积神经网络方法分析表格数据集，通过图片生成算法将表格数据集转化为图片数据集，同时采用了其他 CNN 架构，实现预测电动车充电量的功能，并探讨了模型优化和改进。

Abstract

convolutional neural networks (CNN) have been a good solution for understanding a vast image dataset. As the increased number of battery-equipped electric vehicles is flourishing globally, there has been much res

convolutional neural networks electric vehicles deep learning tabular datasets charge levels

发现论文，激发创造

电池电动汽车充电行为的预测：一种采用微聚类和 SMOTE 技术的深度学习方法

本研究开发了一种新的微聚类深度神经网络（MCDNN）算法，通过学习电动汽车行程和充电数据来预测充电事件，为电力负荷聚合器和电力管理者提供充电站和电力容量的有效分配。数值发现表明，所提出的 MCDNN 在预测充电事件方面比支持向量机、k 最近邻、决策树和其他基于神经网络的模型更有效。

Jul, 2023

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

利用生成式人工智能生成全面的锂电池充电数据

通过引入 End of Life (EOL) 和 Equivalent Cycle Life (ECL) 作为生成 AI 模型的条件，该研究开发了一种经过改进的条件变分自编码器（RCVAE），通过将数据预处理成准视频格式，实现了电化学数据的综合合成，可以生成特定的电化学数据用于 EOL 和 ECL 的超定监督条件。此方法为用户提供了综合的电化学数据集，开创了锂电池数据人工合成的新研究领域，并可以基于详细的合成数据计算各种电池状态指标，为锂电池性能预测提供了新的视角和可能性。

Apr, 2024

EVGen：用于学习电动汽车充电负载和隐藏表示的对抗网络

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.

Aug, 2021

深度学习方法生成高保真度多样化的合成电池数据集

本研究提出了使用深度学习方法来合成高保真度电池数据集的方法以解决数据不足的问题，以帮助电池研究人员建立更好的估算模型。

Apr, 2023

制造业短期瞬时能耗预测的深度学习

本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

Jul, 2022

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

电动车充电情况下个体家庭间隔负荷预测

本文提出了 LSTM-BNN 在存在电动汽车时进行家庭负载预测的方法，并检验了 COVID-19 大流行对该模型的影响，结果表明该方法能够提高预测精度并得出预测间隔。

Jun, 2023

Dense-TNT：利用卫星图像进行高效车型分类的神经网络

本文提出了一种新的 Dense-TNT 框架，通过堆叠 DenseNet 和 Transformer in Transformer (TNT) 层来提高复杂环境下的车辆类型分类能力，并使用三区域车辆数据和四种天气条件进行实验验证，表明该模型具有很强的识别能力，即使在大雾天气条件下也几乎没有衰减。

Sep, 2022

利用智能电表数据预测电动车充电事件的分治 Transformer 学习

预测电动汽车（EV）充电事件对于负载调度和能源管理至关重要，本研究使用历史智能电表数据开发了一种家庭充电预测方法，借鉴非侵入式负载监测（NILM）的概念，通过基于自注意力机制的变压器模型，提供了未来 EV 充电事件的预测信息，本方法在一分钟间隔提供高达 96.81％的准确性，适用于网格运营商的实际需求。

Mar, 2024