EVGen：用于学习电动汽车充电负荷与隐表示的对抗网络
机器学习
2021-08-10 v1
摘要
随着交通运输部门脱碳竞赛的加剧，交通、电网与消费者行为之间的关联比以往任何时候都更加显著。交通运输部门的电气化引发了技术变革并推动了电动汽车（EVs）的快速部署。充电负荷潜在的随机性与空间异质性增长带来了尚未被充分研究的独特挑战，若得不到有效管理，将对电网运行、排放和系统可靠性产生重大影响。逼真的情景生成器可帮助运营商做好准备，而机器学习可用于实现这一目标。在本工作中，我们开发了生成对抗网络（GANs）来学习电动汽车（EV）充电会话的分布与解耦表示。我们表明，该模型结构无需监督即可成功参数化未标记的时间与功率模式，并能够基于这些参数生成合成数据。我们使用高斯混合模型（GMMs）对该模型的生成能力进行基准测试，并经验性地表明我们提出的模型框架在捕捉充电分布与时间动态方面表现更优。
引用
@article{arxiv.2108.03762,
title = {EVGen: Adversarial Networks for Learning Electric Vehicle Charging Loads and Hidden Representations},
author = {Robert Buechler and Emmanuel Balogun and Arun Majumdar and Ram Rajagopal},
journal= {arXiv preprint arXiv:2108.03762},
year = {2021}
}
备注
Tackling Climate Change with Machine Learning Workshop at International Conference on Machine Learning (ICML) 2021