电动汽车充电站多尺度时空增强的短期负荷预测
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
这篇论文介绍了一种电动汽车充电站(EVCS)模型,它考虑到现实世界的约束条件,如插槽功率限制、合同阈值超过惩罚或电动汽车(EVs)的早期断开连接。我们提出了一个对 EVCS 控制问题的不确定性建模,并实施了两种多级随机规划方法,利用用户提供的信息,即模型预测控制和两阶段随机规划。该模型解决了充电会话开始和结束时间以及能源需求的不确定性。基于停留时间相关的随机过程的用户行为模型提高了成本降低同时保持客户满意度。通过使用真实数据集进行为期 22 天的模拟,展示了两种提出的方法与两种基准的优势。考虑到更多的不确定性情景进行优化,两阶段方法表现出对早期断开连接的鲁棒性。优先考虑用户满意度而非电力成本的算法在两个用户满意度指标上相对于行业标准基准提高了 20% 和 36%。此外,在实现理论上的最佳基准时,该算法在成本和用户满意度之间达到了 94% 和 84% 的用户满意度表现,并仅出现 3% 的相对成本增加 - 放宽了无先见性约束。
Feb, 2024
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
开发一种基于 QoE 指标的评估框架,通过机器学习模型和数据集预测未来长期的电动汽车充电需求,以实现可靠的可持续充电基础设施扩展。
Dec, 2023
近年来,电动车辆 (EVs) 的电池技术一直备受关注,重点是开发新的电池材料和化学成分,然而准确预测电池参数,如充电状态 (SOC) 和温度,对于构建先进的电池管理系统 (BMS) 仍然是一项挑战。鉴于将这些辅助参数整合到传统模型中的困难,建议采用数据驱动的方法,通过利用多头注意力和并行化友好架构的时间序列转换器 (TSTs) 和 LSTM 模型研究。还开发了新颖的 TST 架构,包括编码器 TST + 解码器 LSTM 和混合式 TST-LSTM,并与现有模型进行比较。使用一组包含宝马 i3 (60 Ah) 的 72 次行驶记录的数据集来解决 EV 中的电池寿命预测问题,旨在创建准确的 TST 模型,将环境、电池、车辆驾驶和加热电路数据纳入,以预测未来时间步骤的 SOC 和电池温度。
Aug, 2023
机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法,通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且,我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究,结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外,本方法不仅能展示特征的解释性,还能展示与其他基准方法相比的时间解释性,同时还能获得全局时间特征的解释性,这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性,同时揭示了各种与时间相关的特征在形成最终输出中的重要性。
Feb, 2024
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
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
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
本研究提出了一种采用混合和分层深度学习模型进行中期负载预测的方法,该模型结合了指数平滑(ETS)、先进的长短期记忆(LSTM)和集成方法。模拟研究表明,该模型的性能非常高,竞争力强。
Mar, 2020