[論文レビュー] Energy Spatio-Temporal Pattern Prediction for Electric Vehicle Networks

Qinglong Wang|arXiv (Cornell University)|Feb 14, 2018

Electric Vehicles and Infrastructure参考文献 33被引用数 3

ひとこと要約

本稿では、北京のタクシーの実際の移動軌跡から得られる空間的および時間的特徴を用いて、都市規模の地域における電気自動車（EV）に蓄えられた電力エネルギーの集計値を推定するための時空間予測フレームワークを提案する。ニューラルネットワークに基づく空間予測器と線形チェーンCRFに基づく時間予測器を組み合わせ、すべての地域で正規化平均二乗誤差（NMSE）が0.1未満を達成し、スマートグリッド統合およびEV充電管理における高い精度を示している。

ABSTRACT

Information about the spatio-temporal pattern of electricity energy carried by EVs, instead of EVs themselves, is crucial for EVs to establish more effective and intelligent interactions with the smart grid. In this paper, we propose a framework for predicting the amount of the electricity energy stored by a large number of EVs aggregated within different city-scale regions, based on spatio-temporal pattern of the electricity energy. The spatial pattern is modeled via using a neural network based spatial predictor, while the temporal pattern is captured via using a linear-chain conditional random field (CRF) based temporal predictor. Two predictors are fed with spatial and temporal features respectively, which are extracted based on real trajectories data recorded in Beijing. Furthermore, we combine both predictors to build the spatio-temporal predictor, by using an optimal combination coefficient which minimizes the normalized mean square error (NMSE) of the predictions. The prediction performance is evaluated based on extensive experiments covering both spatial and temporal predictions, and the improvement achieved by the combined spatio-temporal predictor. The experiment results show that the NMSE of the spatio-temporal predictor is maintained below 0.1 for all investigate regions of Beijing. We further visualize the prediction and discuss the potential benefits can be brought to smart grid scheduling and EV charging by utilizing the proposed framework.

研究の動機と目的

• 都市部における大規模EVが運ぶ時空間的エネルギーパターンをモデル化・予測すること。
• 予測されたエネルギーの可用性を活用して、スケジューリングおよびV2GサービスのためのEVとスマートグリッドのより知的な相互作用を可能にすること。
• 正確で地域別に特化したエネルギー予測を通じて、EV充電サービスプロバイダーのエネルギー管理効率を向上させること。
• 実際の軌跡データを用いて、個別のモデルと比較して、空間的および時間的予測器を統合したモデルの性能を評価すること。

提案手法

• EVの軌跡からニューラルネットワークを用いて空間的特徴を抽出し、地域別のエネルギー分布パターンをモデル化する。
• 時間的エネルギー変化を線形チェーン条件付きランダムフィールド（CRF）を用いてモデル化し、充電状態（SOC）の時系列的ダイナミクスを捉える。
• 正規化平均二乗誤差（NMSE）を最小化する最適な組み合わせ係数を用いて、空間的および時間的予測器を統合する。
• 北京のタクシーから得た実際のGPSおよびSOCデータを用いて、16の都市地域をカバーする時空間予測器を学習および評価する。
• 空間的および時間的予測の補完的特徴を活かすために、重み付き統合戦略を採用し、誤差を低減する。
• 北京の4号環状道路圏内でのリアルタイムな集計エネルギー予測の可視化を通じて、実用的価値を示す。

実験結果

リサーチクエスチョン

• RQ1 都市規模の地域における集計EVエネルギーの時空間的パターンは、どの程度正確に予測可能か？
• RQ2 空間的特徴と時間的特徴のうち、将来のEVエネルギーの可用性を予測するにあたり、それぞれが果たす寄与度は何か？
• RQ3 空間的および時間的予測器を統合したモデルは、個別の空間的または時間的モデルよりも予測精度が優れているか？
• RQ4 予測時間窓を延ばした場合（例：2～3時間先）、予測性能はどの程度低下するか？
• RQ5 正確なエネルギーパターン予測の実用的意義は、スマートグリッドのスケジューリングおよびEV充電サービスにどのような影響を及えるか？

主な発見

• 時空間予測器は、北京の調査対象16地域すべてでNMSEが0.1未満を維持しており、高い予測精度を示している。
• 統合予測器は、個別の空間的および時間的予測器よりも優れた性能を示し、誤差低減の補完的効果が確認された。
• 3時間先の予測において、時空間予測器のNMSEは最大0.09に達するが、長期予測においても安定した性能を示している。
• 時間的予測器単体では、予測期間が長くなるに従いわずかに性能が向上する傾向を示しており、時系列予測の安定性が裏付けられている。
• 空間的予測器は、予測期間が長くなるにつれて、時間経過に伴う空間相関の低下により著しく性能が低下する。
• 可視化結果から、中心部都市地域（3号環状道路内）に高い集計エネルギーが集中していることが確認され、実際の交通状況およびエネルギー使用パターンと整合的である。