[論文レビュー] Electric Vehicle Driver Clustering using Statistical Model and Machine Learning

Yingqi Xiong, Bin Wang+2 more|arXiv (Cornell University)|Feb 12, 2018

Electric Vehicles and Infrastructure参考文献 10被引用数 3

ひとこと要約

本稿では、UCLAおよびサンタモニカの実際の充電データを用いて、統計的モデリングと機械学習を組み合わせたハイブリッド手法を提案する。履歴記録に非教師ありクラスタリングと多層パーセプトロン（MLP）を適用することで、スマートグリッドにおけるスマート充電スケジューリングと負荷予測のための、1日先の正確なEV駐車時間および負荷予測が可能となり、交差検証において優れた性能を示した。

ABSTRACT

Electric Vehicle (EV) is playing a significant role in the distribution energy management systems since the power consumption level of the EVs is much higher than the other regular home appliances. The randomness of the EV driver behaviors make the optimal charging or discharging scheduling even more difficult due to the uncertain charging session parameters. To minimize the impact of behavioral uncertainties, it is critical to develop effective methods to predict EV load for smart EV energy management. Using the EV smart charging infrastructures on UCLA campus and city of Santa Monica as testbeds, we have collected real-world datasets of EV charging behaviors, based on which we proposed an EV user modeling technique which combines statistical analysis and machine learning approaches. Specifically, unsupervised clustering algorithm, and multilayer perceptron are applied to historical charging record to make the day-ahead EV parking and load prediction. Experimental results with cross-validation show that our model can achieve good performance for charging control scheduling and online EV load forecasting.

研究の動機と目的

• 配電システムにおけるエネルギー管理を複雑にする予測不能なEV充電行動の課題に対処すること。
• 実際のEV充電データを用いてドライバー行動パターンを捉えるユーザーモデリング技術を開発すること。
• 最適なスケジューリングのための、1日先のEV駐車時間および負荷の正確な予測を可能にすること。
• 統計的分析と機械学習を統合し、予測性能を向上させること。
• UCLAおよびサンタモニカのスマート充電インfraストラクチャから得た実データセットを用いてモデルを検証すること。

提案手法

• UCLAおよびサンタモニカ市の都市部におけるスマート充電インfraストラクチャから収集した実際のEV充電データセットを用いた。
• 充電開始時刻、充電時間、エネルギー消費量などの行動パターンに基づいて、EVドライバーをクラスタリングする非教師ありクラスタリングアルゴリズムを適用した。
• クラスタリングされたドライバーのプロファイルから将来の充電行動をモデル化・予測するために、多層パーセプトロン（MLP）ニューラルネットワークを採用した。
• 履歴充電記録の統計的分析と機械学習を統合し、予測精度を向上させた。
• 1日先の駐車時間および負荷予測タスクにおけるモデル性能を評価するために交差検証を用いた。
• クラスタリングの結果を入力特徴量としてMLPに統合し、EV負荷プロファイルの予測精度を向上させた。

実験結果

リサーチクエスチョン

• RQ1 充電行動に基づくEVドライバーのクラスタリングは、1日先の負荷予測の正確性を向上させることができるか？
• RQ2 統計的クラスタリングと多層パーセプトロンの統合は、EV負荷予測においてどの程度効果的か？
• RQ3 提案されたモデルは、EV充電スケジューリングにおける不確実性をどの程度低減するか？
• RQ4 異なる都市環境からの多様な実データセットにおいて、モデルはどの程度の性能を示すか？
• RQ5 ドライバー行動のクラスタリングは、スマート充電制御システムの信頼性にどのような影響を与えるか？

主な発見

• 提案モデルは、交差検証を用いて1日先のEV駐車時間および負荷予測において優れた性能を示した。
• 統計的クラスタリングと多層パーセプトロンの統合により、ベースライン手法と比較して予測精度が顕著に向上した。
• モデルは、多様な都市環境からの実際のEV充電データにおける行動パターンを効果的に捉えた。
• クラスタリング手法により、充電セッションのパrameterにおける不確実性が低減され、より信頼性の高いスケジューリングが可能になった。
• UCLAおよびサンタモニカからのデータセットにおいて、モデルは頑健性と一般化能力を示した。
• 結果から、スマートグリッド応用におけるスケーラブルなEVユーザーモデリングに、統合的統計的手法と機械学習技術を活用することが有効であると示唆された。