Mar, 2024

利用智能电表数据预测电动车充电事件的分治 Transformer 学习

PDF
TL;DR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。
electric vehicleev charging eventsload schedulinghome charging predictionnon-intrusive load monitoring
发现论文，激发创造
  • 非侵入式负荷监测用于馈线级电动车充电检测：基于滑动窗口的离线和在线检测方法

    该研究探索了电动汽车充电在配电网络上的检测方法，通过采用滑动窗口特征提取和经典的机器学习技术，如 XGBoost 和 Random Forest 等模型，实现了在供电线路级别上对电动汽车充电的高准确性检测。

    Dec, 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

  • 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

  • 基于 Transformer 的居家能源管理系统中的迁移学习需求预测

    通过使用多个家庭的数据进行迁移学习，我们能够提高单个家庭负载预测的准确性和控制性能，进而降低能源成本并优化光伏系统和电池储存的利用。

    Oct, 2023

  • 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

  • 电动汽车充电站多尺度时空增强的短期负荷预测

    通过使用多尺度时空增强模型（MSTEM），本研究在电动汽车充电站（EVCS）的精确负载预测方面提出了一种解决方案，该模型通过多尺度图神经网络以及回归学习组件和残差融合机制的整合，能够准确捕捉电动汽车充电行为的非线性、不同站点之间的空间相互作用以及使用模式的复杂时间变化，并在实际数据集上验证了其优越性。

    May, 2024

  • 利用手机数据和基于兴趣点的分割法估计电动汽车公共充电需求

    本文提出一种创新的电动汽车充电需求估算和分段方法，利用基于蜂窝信号数据的邻域细度估算充电需求，并提出一种基于城市兴趣点的分割模型来确定正常、半快、快速充电技术之间的总充电需求的分配，该方法是一种最前沿的方法，可用于城市规划，最后以布鲁塞尔市为例进行了案例研究。

    Jun, 2022

  • 电动汽车能量需求预测学习系统的高效设计

    通过跨地理分散的电动汽车充电站和联邦学习的高效变种，结合最新进展的 Transformer 架构，提出了一种通信高效的时间序列预测模型，具有与其他模型相媲美的性能，但在训练过程中消耗更低的数据速率。

    Sep, 2023

  • 利用 Transformer 模型融合多源交通需求数据进行城市停车预测

    基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

    May, 2024

  • 用于预测多个负载时间序列的 Transformer 训练策略

    研究使用 Transformer 进行电力负荷预测，并测试转移学习策略的有效性，表明全局模型优于其他训练策略，使得 Transformer 在正确的策略下是有效的电力负载预测方法。

    Jun, 2023