[論文レビュー] Predicting Electric Vehicle Charging Station Usage: Using Machine Learning to Estimate Individual Station Statistics from Physical Configurations of Charging Station Networks

Anshul Ramachandran, Ashwin Balakrishna+2 more|arXiv (Cornell University)|Apr 2, 2018

Electric Vehicles and Infrastructure参考文献 3被引用数 6

ひとこと要約

本論文では、物理的ネットワーク構成から個々の電気自動車充電設備（EVSE）の使用状況を予測するための機械学習手法を提案する。シミュレーションデータで訓練されたモデルは、過剰適合を最小限に抑えつつ、正確で高速なEVSEの電力使用量推定を実現し、充電ステーションの構成最適化を迅速に行える。

ABSTRACT

Electric vehicles (EVs) have been gaining popularity due to their environmental friendliness and efficiency. EV charging station networks are scalable solutions for supporting increasing numbers of EVs within modern electric grid constraints, yet few tools exist to aid the physical configuration design of new networks. We use neural networks to predict individual charging station usage statistics from the station's physical location within a network. We have shown this quickly gives accurate estimates of average usage statistics given a proposed configuration, without the need for running many computationally expensive simulations. The trained neural network can help EV charging network designers rapidly test various placements of charging stations under additional individual constraints in order to find an optimal configuration given their design objectives.

研究の動機と目的

• EV充電ステーションネットワークの物理的構成を最適化するためのスケーラブルなツールの不足に対処する。
• 個々のEVSE使用状況を推定するための計算コストの高いスケジューリングシミュレーションへの依存を低減する。
• 空間的レイアウト特徴量に基づいて、EVSEの電力使用量を素早く、一般化可能な機械学習モデルを開発する。
• トランスフォーマーの制限や駐車行動などの現実世界の制約を考慮した、EVSEネットワークの迅速な設計反復を可能にする。
• EV充電ネットワーク設計者にとって実用的で、展開可能なツールを提供し、レイアウトのトレードオフを効率的に評価できるようにする。

提案手法

• 設定可能な制約を備えたレイアウト生成アルゴリズムを用いて、合成されたEV充電ネットワークレイアウトを生成した。
• 実世界のデータパターンを反映した、到着／出発時刻および充電プロファイルを含む現実的なEV行動をシミュレートした。
• 各レイアウトにおける真値となるEVSE電力使用量を算出するために、適応的充電ネットワーク（ACN）スケジューリングアルゴリズムを適用した。
• 入り口からの距離、道路隣接性、局所的周辺構成など、空間的特徴量をニューラルネットワークの入力として抽出した。
• 入力および出力の前処理（例：対数変換）を施したフィードフォワードニューラルネットワークを訓練し、学習安定性を向上させた。
• 複数のアーキテクチャおよび前処理戦略を用いて、モデルの性能を、サンプル内およびサンプル外の平均二乗誤差で評価した。

実験結果

リサーチクエスチョン

• RQ1 完全なスケジューリングシミュレーションを実行せずに、物理的レイアウト特徴量から個々のEVSE電力使用量を正確に予測できる機械学習モデルは構築可能か？
• RQ2 入力の前処理（例：対数変換）は、モデルの収束性および予測精度にどのように影響するか？
• RQ3 アーキテクチャ設計（例：隠れ層の数、ユニット数）は、モデルの性能および一般化能力にどの程度影響を及えるか？
• RQ4 入り口からの距離を入力特徴に含めることで予測精度が向上するか、それともスケールの違いによって不安定性が生じるか？
• RQ5 訓練済みモデルは未観測のレイアウトに一般化可能であり、EVSEネットワークプランナーが使用するためのスケーラブルな設計ツールとして機能できるか？

主な発見

• 対数変換されたターゲット値と1層の隠れ層（64ユニット）を有するモデル3が、外側のサンプル誤差が低く、収束性が高く、過剰適合がないという点で最良のバランスを達成した。
• ターゲット値の対数変換により、直接的な電力値の予測に比べて学習安定性が著しく向上し、勾配のフラクチュエーションが減少した。
• 2番目の隠れ層を追加すると収束が悪化し、訓練パターンの記憶に陥る結果となり、過剰適合と一般化能力の欠如が示された。
• 最近接ドアまでの距離を入力特徴に含めると、サンプル内およびサンプル外の両方の誤差が増加したため、スケール上、頑健な特徴ではないか、あるいは正規化が必要である可能性が示唆された。
• モデルは未観測のレイアウトに対しても強く一般化しており、訓練中を通じて検証誤差が訓練誤差に近い水準を維持したため、過剰適合がないことが裏付けられた。
• 最終モデルはウェブポータルに実装され、定性的および専門家による評価が行われ、分野の専門家から好意的なフィードバックを得た。