Anomaly Detection in Load Forecasting for Electric Vehicles Using Image Processing Techniques
Notice bibliographique
Résumé
The incorporation of electric vehicles (EVs) into the power grid presents significant challenges, particularly in meeting the electricity requirements of EVs through effective distribution strategies, efficient energy allocation, and optimal charging station placement. Accurate forecasting of load demand is critical for both the operational and planning aspects of energy systems, particularly due to the influence of EV travel behavior. This study introduces a hybrid approach to EV load forecasting using deep learning models to tackle this challenge. The proposed CLSTM model integrates convolutional neural network (CNN) and long short-term memory (LSTM) algorithms. Furthermore, the study introduces and applies an anomaly detection model based on image processing. The forecasting process initially uses clean data and then advances to a scenario involving a simulated cyber-attack by manipulating certain input data, which is referred to as a false data injection attack. After analyzing the data using various evaluation metrics and confirming anomalies, the image processing model identifies these anomalies through data visualization. In conclusion, a thorough evaluation of the results under both clean and compromised forecasting conditions unequivocally demonstrates that the CLSTM model not only surpasses the performance of traditional models but also exhibits greater robustness and accuracy. This superior performance highlights the CLSTM model's potential as a more reliable and effective solution for forecasting in scenarios impacted by data integrity issues.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».