Seasonality Effect Analysis and Recognition of Charging Behaviors of Electric Vehicles: A Data Science Approach
Notice bibliographique
Résumé
Electric vehicles (EVs) presence in the power grid can bring about pivotal concerns regarding their energy requirements. EVs charging behaviors can be affected by several aspects including socio-economics, psychological, seasonal among others. This work proposes a case study to analyze seasonal effects on charging patterns, using a public real-world based dataset that contains information from the aggregated load of the total charging stations of Boulder, Colorado. Our approach targets to forecast and recognize EVs demand considering seasonal factors. Principal component analysis (PCA) was used to provide a visual representation of the variables and their contribution and the correlation among them. Then, twelve classification models were trained and tested to discriminate among seasons the charging load of electric vehicles. Later, a benchmark stage is presented for regression as well as for classification results. For regression models, examined through Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE), the random Forest provides better prediction than quasi-Poisson model widely. However, it was observed that for large variations in electric vehicles’ charging load, quasi-Poisson fits better than random forest. For the classification models, evaluated through Accuracy and the Area under the Curve, the Lasso and elastic-net regularized generalized linear (GLMNET) model provided the best global performance with accuracy up to 100% when evaluated on the test dataset. The results of this work offer great insights for enhancing demand response strategies that involve PEV charging regarding charging habits across seasons.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».