[論文レビュー] A matrix approach to detect temporal behavioral patterns at electric vehicle charging stations

Milan Straka, Lucia Piatriková+2 more|arXiv (Cornell University)|Feb 18, 2021

Electric Vehicles and Infrastructure参考文献 6被引用数 4

ひとこと要約

本稿では、電気自動車（EV）充電ステーションにおける時間的充電パターンを特定するための行列ベースのアプローチを提案する。2つの手法を用いる：定義済みパターンを検出するルールベースのシステムと、修正された l-p ノルムに基づく類似度測度を用いた階層的クラスタリングによる自動パターン発見。クラスタリング手法により、10の明確な行動クラスタ（朝型、夕方型、混合型など）が同定され、最適パラメータは o=1, p=2/3 であった。

ABSTRACT

Based on the electric vehicle (EV) arrival times and the duration of EV connection to the charging station, we identify charging patterns and derive groups of charging stations with similar charging patterns applying two approaches. The ruled based approach derives the charging patterns by specifying a set of time intervals and a threshold value. In the second approach, we combine the modified l-p norm (as a matrix dissimilarity measure) with hierarchical clustering and apply them to automatically identify charging patterns and groups of charging stations associated with such patterns. A dataset collected in a large network of public charging stations is used to test both approaches. Using both methods, we derived charging patterns. The first, rule-based approach, performed well at deriving predefined patterns and the latter, hierarchical clustering, showed the capability of delivering unexpected charging patterns.

研究の動機と目的

• 到着時刻と接続時間に基づいてEV充電ステーション利用における時間的行動パターンを特定すること。
• 充電パターンを検出するために、ルールベース分類と非教師付きクラスタリングを比較すること。
• 修正された l-p ノルムを行列類似度測度として用いた階層的クラスタリングにおけるパターン発見の有効性を評価すること。
• 類似した時間的利用パターンを示す充電ステーションをグループ化し、予測精度とシステム最適化を向上させること。
• クラスタリングがスマート充電と電力網の安定性を向上させる可能性を検討すること。

提案手法

• EV充電データを、時間帯ごとの到着時刻と接続時間で構成される充電行列として表現する。
• 事前に定義された時間帯と閾値を用いたルールベースのアプローチを適用し、既知の充電パターンにステーションを分類する。
• 修正された l-p ノルムを行列類似度測度として用い、充電行列間の違いを定量化する。
• 類似度測度を、完全連結法を用いた凝集型階層的クラスタリングに統合し、ステーションをグループ化する。
• 修正された l-p ノルムのパラメータ組み合わせ (o, p) をテストし、クラスタの分布と解釈可能性を評価することで、クラスタリングを最適化する。
• 各クラスタ内での充電行列の正規化要素ごとの和のヒートマップを用いて結果を可視化する。

実験結果

リサーチクエスチョン

• RQ1 ルールベース手法は、EV充電ステーションにおける定義済み時間的充電パターンを効果的に同定できるか？
• RQ2 カスタム行列類似度測度を用いた階層的クラスタリングは、予期しないまたは新しい充電パターンを自動的に検出できるか？
• RQ3 修正された l-p ノルムにおけるパラメータ (o, p) のどの組み合わせが、最も解釈可能でバランスの取れたクラスタリング結果をもたらすか？
• RQ4 同定された充電ステーションのクラスタは、時間的行動（例：朝型対夕方型）においてどのように異なるか？
• RQ5 充電ステーションのクラスタリングは、EV充電行動予測モデルの精度をどの程度向上できるか？

主な発見

• ルールベース手法は、朝のみや夜間充電といった定義済みパターンに従って充電ステーションを効果的にグループ化した。
• 修正された l-p ノルムを用いた階層的クラスタリングにより、10の明確なクラスタが検出され、そのうち短時間充電が中心のもの、朝型長時間充電、夕方型長時間充電のものも含まれた。
• クラスタリングの最適パラメータは o=1, p=2/3 であり、最もバランスが取れており解釈可能なクラスタ分布を生み出した。
• クラスタ1は主に短時間充電を示したが、クラスタ2、5、10は高い朝型充電活動を示し、クラスタ3と8は強い夕方型充電パターンを示した。
• 残りのクラスタ（4、6、7、9）は複数時間帯にわたる充電が均等に分布しており、混合利用パターンを示した。
• 本研究では、行列ベースのクラスタリングが、事前に定義されたルールを超えた意味のある非直感的な時間的パターンを同定できることを示した。これにより、スマート充電戦略が強化された。