[論文レビュー] EVGen: Adversarial Networks for Learning Electric Vehicle Charging Loads and Hidden Representations

Robert Buechler, Emmanuel Balogun+2 more|arXiv (Cornell University)|Aug 8, 2021

Electric Vehicles and Infrastructure被引用数 6

ひとこと要約

本稿では、教師なしデータから電気自動車（EV）の充電負荷の分離可能で物理的に解釈可能な表現を学習する、条件付き生成的対抗ネットワークであるSC-WGAN-GPを提案する。連続的および離散的な潜在変数に条件づけることで、時間的ダイナミクスと電力変動をよりよく捉える、現実的で優れた合成充電カーブを生成する。このモデルは、グリッド計画における正確なシナリオ生成を可能にする。

ABSTRACT

The nexus between transportation, the power grid, and consumer behavior is more pronounced than ever before as the race to decarbonize the transportation sector intensifies. Electrification in the transportation sector has led to technology shifts and rapid deployment of electric vehicles (EVs). The potential increase in stochastic and spatially heterogeneous charging load presents a unique challenge that is not well studied, and will have significant impacts on grid operations, emissions, and system reliability if not managed effectively. Realistic scenario generators can help operators prepare, and machine learning can be leveraged to this end. In this work, we develop generative adversarial networks (GANs) to learn distributions of electric vehicle (EV) charging sessions and disentangled representations. We show that this model structure successfully parameterizes unlabeled temporal and power patterns without supervision and is able to generate synthetic data conditioned on these parameters. We benchmark the generation capability of this model with Gaussian Mixture Models (GMMs), and empirically show that our proposed model framework is better at capturing charging distributions and temporal dynamics.

研究の動機と目的

• 教師なしデータから隠れで分離可能な表現を学習する深層生成モデルの開発。
• 現実世界の時間的および電力的ダイナミクスを正確に反映する合成EV充電負荷カーブの生成。
• GMMなどの従来の統計的手法と比較し、充電負荷の分布的特性および一時的特性をどれだけよく捉えられるかのベンチマーク。
• 訓練データを超えて外挿可能な能力を提供し、将来のグリッド運用におけるシナリオ分析を可能にする。
• 大規模なスケールで現実的なEV充電シナリオをシミュレートすることで、グリッド計画および運用意思決定の質を向上させる。

提案手法

• 訓練の安定化とサンプル品質の向上のため、勾配ペナルティ付きの条件付きワッサーシュタインGAN（WGAN-GP）を採用。
• 24時間（96時間ステップ）の15分間隔の電力データを処理するため、残差型ブロックを備えた畳み込みニューラルネットワーク（CNN）アーキテクチャを採用。
• 条件付き入力として、80次元のノイズベクトルと、8次元の連続的または離散的潜在コードを用い、分離可能な表現学習を実現。
• SC-GAN部は、生成サンプルと実データの類似性制約を強制し、分離性と解釈可能性を促進する。
• 類似性計算の完全なベクトル化実装により、元のSCGAN手法と比較して50倍以上の高速化が達成され、訓練が効率的になる。
• 潜在変数は、充電タイミング、継続時間、電力レベルなどの解釈可能なパターンを捉えるように訓練され、訓練分布を超えた外挿が可能となる。

実験結果

リサーチクエスチョン

• RQ1 条件付きGANフレームワークは、教師なしデータからEV充電行動の分離可能で物理的に意味のある表現を学習できるか？
• RQ2 提案されたSC-WGAN-GPモデルは、従来のGMMベースラインと比較して、合成充電負荷カーブをどれほど正確に生成できるか？
• RQ3 学習された潜在変数は、訓練分布を超えて外挿可能であり、将来のまたは仮想の充電シナリオをシミュレートするのにどの程度有効か？
• RQ4 GMMが捉えきれない一時的ダイナミクスや非定常パターンを、このモデルはどれほどよく捉えられるか？
• RQ5 分離可能な連続的および離散的潜在変数は、時間帯、バッテリー容量、充電速度といった現実世界の充電行動とどのように対応するか？

主な発見

• SC-WGAN-GPモデルは、GMMと比較して、特に一時的ダイナミクスや非一様な電力プロファイルをよりよく捉える、統計的に現実的であるとされる合成EV充電負荷カーブを生成する。
• モデルは8つの分離可能な連続的潜在変数を成功裏に学習し、それぞれが午後 vs. 朝の充電強度や夕方の負荷シフトといった解釈可能な充電パターンに対応している。
• 離散的潜在変数は、時間的パターンと継続時間に基づいて充電セッションをグループ化し、負荷形状の有効なクラスタリングを示している。
• 完全なベクトル化実装により、元のSCGAN手法と比較して類似性計算が50倍高速化され、効率的な訓練が可能になった。
• GMMとは異なり、パラメトリックな仮定により平均負荷形状の段階的変化を示すのではなく、SC-WGAN-GPは滑らかで動的な負荷カーブを生成し、現実の充電行動を反映している。
• モデルは訓練分布を超えた外挿能力を示しており、潜在変数が1.5（一様分布[0,1]を超える）のときでも、現実的で物理的に意味のある負荷変動を生成している。