[论文解读] 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 6

一句话总结

本文提出SC-WGAN-GP，一种条件生成对抗网络，能够从未标记数据中学习电动汽车（EV）充电负荷的解耦、物理可解释表征。通过条件化连续和离散潜在变量，该模型生成了比高斯混合模型（GMMs）更真实、更能捕捉时间动态和功率变化的合成充电曲线，从而实现电网规划中的准确情景生成。

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.

研究动机与目标

• 开发一种深度生成模型，无需标注数据即可学习电动汽车充电行为的隐式解耦表征。
• 生成准确反映真实世界时间动态和功率特性的合成电动汽车充电负荷曲线。
• 将该模型与传统统计方法（如GMMs）进行对比，评估其在捕捉充电负荷分布特性和瞬态特征方面的表现。
• 实现对训练数据分布之外的外推，以支持未来电网运行中的情景分析。
• 通过大规模模拟逼真的电动汽车充电情景，提升电网规划与运行决策能力。

提出的方法

• 该模型采用条件Wasserstein GAN结合梯度惩罚（WGAN-GP），以稳定训练并提升生成样本质量。
• 采用带有残差结构的卷积神经网络（CNN）架构，处理24小时内的15分钟间隔功率数据（共96个时间步）。
• 条件输入包括一个80维噪声向量以及8维连续或离散潜在码，用于实现解耦表征学习。
• SC-GAN组件通过强制生成样本与真实数据之间的相似性约束，促进表征的解耦与可解释性。
• 通过完全向量化实现的相似性计算，使训练速度相比原始SCGAN方法提升50倍以上。
• 潜在变量被训练以捕捉可解释的模式，如充电时间、持续时间与功率水平，并具备对训练分布之外的外推能力。

实验结果

研究问题

• RQ1 条件GAN框架能否从未标记数据中学习到电动汽车充电行为的解耦、具有物理意义的表征？
• RQ2 与传统的GMM基线相比，所提出的SC-WGAN-GP模型在生成合成充电负荷曲线方面表现如何？
• RQ3 所学习的潜在变量在多大程度上能外推至训练数据分布之外，以模拟未来或假设的充电情景？
• RQ4 该模型能否捕捉GMM无法表征的电动汽车充电中的瞬态动态与非平稳模式？
• RQ5 解耦的连续与离散潜在变量在多大程度上对应于现实中的充电行为，如一天中的时间、电池容量或充电速度？

主要发现

• SC-WGAN-GP模型生成的合成电动汽车充电负荷曲线在统计上比GMMs更逼真，尤其在捕捉瞬态动态和非均匀功率轮廓方面表现更优。
• 该模型成功学习了八个解耦的连续潜在变量，每个变量对应可解释的充电模式，如下午与早晨的充电强度差异或晚间负荷转移。
• 离散潜在变量按时间模式和持续时间对充电会话进行分组，表明对负荷形状实现了有效的聚类。
• 通过完全向量化实现，相似性计算速度相比原始SCGAN提升50倍以上，显著提升了训练效率。
• 与GMMs因参数假设而生成阶梯状、平均负荷形状不同，SC-WGAN-GP生成了平滑、动态的负荷曲线，更真实反映实际充电行为。
• 该模型展示了对训练分布之外的外推能力，潜在变量取值为1.5（超出[0,1]均匀分布范围）时仍能生成合理且具有物理意义的负荷变化。