预测电池电动汽车充电行为：一种结合微聚类与 SMOTE 技术的深度学习方法
机器学习
2023-07-21 v1 人工智能
统计方法学
摘要
能源系统、气候变化与公共健康是推动交通电气化的重要原因。为减少排放，全球都在推广交通电气化。因此，许多汽车制造商将很快只生产电池电动汽车（BEV）。由于气候变化和空气污染问题，加利福尼亚州的 BEV 采用率正在上升。尽管这对气候和污染目标大有裨益，但若管理不当，BEV 充电可能导致充电基础设施不足和停电。本研究开发了一种新颖的微聚类深度神经网络（MCDNN），这是一种人工神经网络算法，能高效学习 BEV 行程与充电数据以预测 BEV 充电事件，该信息对于电力负荷聚合商和公用事业管理者有效提供充电站和电力容量至关重要。MCDNN 使用 2015 至 2020 年间加利福尼亚州 132 辆 BEV（涵盖 5 种 BEV 车型，总行驶里程 1570167 英里）的稳健行程与充电数据集进行配置。数值结果表明，所提出的 MCDNN 在预测充电事件方面优于该领域的基准方法，如支持向量机、k 近邻、决策树及其他基于神经网络的模型。
引用
@article{arxiv.2307.10588,
title = {Forecasting Battery Electric Vehicle Charging Behavior: A Deep Learning Approach Equipped with Micro-Clustering and SMOTE Techniques},
author = {Hanif Tayarani and Trisha V. Ramadoss and Vaishnavi Karanam and Gil Tal and Christopher Nitta},
journal= {arXiv preprint arXiv:2307.10588},
year = {2023}
}
备注
18 pages,8 figures, 4 tables