A data-driven framework for medium-term electric vehicle charging demand forecasting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid phase-in of electric vehicles (EV) will cause unprecedented issues with managing the supply of electricity and charging stations. It is in the interest of utility providers and everyday consumers to be able to plan for peak charging times, and related congestion. While past work has been done for localized, short-term forecasting, it has not included longer term forecasting, or considered the relationships between multiple stations. Importantly, past work has also not offered a framework for dataset construction and evaluated different dataset features. We propose a methodology to forecast demand at public EV charging stations, and use it to explore the potential of data-driven models to predict demand up to one week in advance. Our strategy includes selecting parameters for formatting a dataset given a list of charging events, a way to consider flexible prediction horizons, and deployment of deep and supervised learning-based models. To the best of our knowledge, ours is the first study to propose machine learning to forecast medium-term public EV charging demand, to exploit weather and other features at public charging stations, and to forecast demand at multiple stations and the entire network. We validated our approach using data from eleven stations over three years from Scotland, UK. Our method outperforms the benchmark time series method, and predicts network demand with a symmetric mean absolute percentage error (SMAPE) of 5.9% and a mean absolute error (MAE) of 124.7 kWh, or less than twelve percent of average daily demand.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle