Charging-Related State Prediction for Electric Vehicles Using the Deep Learning Model
Notice bibliographique
Résumé
Electric vehicles (EVs) are becoming the potential contender for the conventional gasoline vehicles in view of the environment-friendly and energy-efficient characteristics. The prediction of EV charging-related states (defined in this study as home charge, outside charge, home stop, outside stop, low-battery travel, and high-battery travel) could help to identify the future charging demand (power consumption) of EV individuals. Specifically, it could guide the operation and management of charging facilities and also provide tailored charger availability information based on users’ real-time locations. This study aims to predict charging-related states of individual EVs using a deep learning approach. We first propose a tangible approach to convert EV trajectory data into state sequences and then develop a bidirectional gated recurrent unit model with attention mechanism (Bi-GRU-Attention) to forecast EV states. A sensitivity analysis is conducted to tune and/or calibrate parameters in the model based on plug-in hybrid EV trajectories dataset collected in Shanghai, China. Experiment results show that (i) the proposed method could achieve an average accuracy of 77.15% with a 1-hour prediction length and it outperforms the baseline models for all tested prediction lengths; (ii) it is also revealed that the prediction accuracy varies dramatically with different states and time periods. Among all states, the proposed model has a higher prediction accuracy on “home stop” (89.0%). As for time periods, the EV states around 08:00 am and 04:00 pm are hard to predict, and a comparatively low prediction accuracy (close to 60%) is obtained; and (iii) the stability and robustness analysis implies that the proposed model is stable and insensitive to SOC noise or season.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».