整体考虑电动汽车充电站分布所使用的机器学习

一组研究人员从德国的可用性评估方法来预测电动汽车充电站在机器学习的帮助和一些Python库。这项研究已经发表在《华尔街日报》能量

研究:预测电动汽车充电站可用性使用整体机器学习。图片来源:buffaloboy / Shutterstock.com

与电动汽车(EV)的增加流量,电动汽车充电站的可用性(EVCSs)是一个日益严重的问题。欧洲现在是领先的电动汽车销售市场,与625 k插电式混合动力电动汽车和电池电动汽车在2021年售出747 k。德国是给新电动汽车补贴高达9000欧元。为了实现电动汽车的广泛应用,必须有足够的公共充电基础设施(CI)可用,用户可以轻松和快速充电的电动汽车。

当前EVCS的可用性的问题是什么?

德国电动汽车司机被指控为充电设施(CI)使用以固定价格每千瓦时,偶尔额外收费停车时间。固定价格机制导致CI的高度不一致的用法,由于停车土地价格不同,所以在不同的时间使用无论是白天还是晚上,等工作日、节假日等。

这是不适合的客户,因为它会导致潜在的创造可以避免充电热点。此外,还有电动汽车可能有很高的电荷状态,只有充电,因为机会出现,而那些迫切需要充电不能访问它。

进一步阅读:优化充电的电动车(电动汽车)在商业停车场

在这些短缺,司机与一个相对较高的电池电荷状态应该鼓励放弃他们的充电机会有更紧迫的需要充电。充电的电动汽车电池通常需要几个小时;慢AC电台甚至更高,这不是道德强迫用户自发停止充电。简单减少当前的职业不是一个可行的解决方案如果有独联体的短缺。

可能的解决方案是什么?

上述问题的解决方案可以实现不同的定价激励机制,在目标客户可分为不同的派别,viz.汽车电池覆盖特定距离,充电只是偶尔会发生如果人开车一定里程平均司机与一个相对较高的电池电荷状态应该鼓励放弃他们的充电机会有更紧迫的充电需求,准确预测充电站的状态。

定意的数据源是什么机器学习模型?

充电站(CS)占领数据收到智能/实验室和Hubject CS小时。定义被占领的时间除以一个小时和电动汽车的数量在一个特定的CS。Python库“假期”是整合分析数据是否属于公共假日,而学校假期收集从Ferienwiki.de iCal文件。

天气数据如温度和降水时间序列的自由访问档案收集德国气象局DWD。交通数据检索从ADAC GmbH是一家现代化的、可靠的服务。交通数据给出了1.8 x1.8公里的车辆数量2矩形区域在整个德国在特定的日期和时间。

结果按模型类型和是否每周平均数据分组(AW)使用。桶(a)展示了二进制的结果指标和(b)的分类结果。类别“0°对应正确的比例分配类别;“1”重要的直接邻居类别(e g,“非常低”——“媒介°仍然是正确的如果低”的真正价值);' 2 '包括邻居一旦删除;“3”邻居两次删除。图片来源:赫克特,C。,et al .,能量

所使用的方法是什么?

所有数据都是地理上引用时间序列合并成一个单一的输入表的数据集。天气数据集与充电站的位置使用cKDTree从数据集scipy.spatial模块的scipy图书馆。同样,地理空间数据抽象图书馆成立与假日与充电站数据集的数据集。

在模型学习,使用大型数据集,过度拟合是一个常见的问题,在训练集的随机噪声可能被解释为一个实际的信号。为了避免,几个数据集被四舍五入为最接近的特定的多。

作为一个典型的机器学习模型方法,所有数据被分为一个训练和一个测试集。30%的数据集是用于测试功能,而剩下的70%被用于训练功能。

数据集的选择之后,团队选择的几种预测模型viz.随机森林分类器(RF),梯度提高分类器(GB)和平均周模型(AW)。这些python库中定义PyCaretsklearn.ensemble等。

结果是什么?

2021年的数据显示,一个很明显的趋势,射频和GB模型可以预测准确的类别在超过80%的预测和预测类别本身或附近的一个类别的速度超过了90%。

研究小组得出的结论是,预测未来CS需要知识过去的站使用。测试算法、GB和射频,得分显著优于简单的每周平均的基础上。

GB的准确性与所有可用的输入(左)和2021年再次AW 2021(右)。颜色显示与给定的平均分享站的占领是预测的准确性。热图是构造矩形边缘长度2%在两个维度如何阅读的例子:一个黑暗的绿色广场对应于80%平均占领50%和90%精度表明,所有站平均占领50%至52%,90%和92%之间的预测模型实现精度80% CS落入类别。蓝线表示什么分享的站2%下降到每个块平均的职业。图片来源:赫克特,C。,et al .,能量

参考:

赫克特,C。Figgener, J。,萨奥尔D.U.预测电动汽车充电站可用性使用整体机器学习。的能量,7834年2021年,14日。https://www.mdpi.com/1996-1073/14/23/7834

免责声明:这里的观点是作者表达他们的私人能力,不一定代表AZoM.com T /有限的观点AZoNetwork这个网站的所有者和经营者。这个声明的一部分条款和条件本网站的使用。

Bismay Prakash溃败

写的

Bismay Prakash溃败

Bismay是一个技术作家Bhubaneshwar,印度。他的学术背景是在工程和他在写作内容的丰富经验,回顾》杂志上的机械设计。Bismay持有硕士学位材料工程和机械工程,是热爱科欧洲杯足球竞彩技、工程。欧洲杯线上买球工作之余,他喜欢在线游戏和烹饪。

引用

请使用以下格式之一本文引用你的文章,论文或报告:

  • 美国心理学协会

    普拉卡什溃败,Bismay。(2021年11月25日)。整体考虑电动汽车充电站分布所使用的机器学习。AZoM。检索2023年1月26日,来自//www.wireless-io.com/news.aspx?newsID=57451。

  • MLA

    普拉卡什溃败,Bismay。“整体机器学习用来考虑电动汽车充电站分布”。AZoM。2023年1月26日。< //www.wireless-io.com/news.aspx?newsID=57451 >。

  • 芝加哥

    普拉卡什溃败,Bismay。“整体机器学习用来考虑电动汽车充电站分布”。AZoM。//www.wireless-io.com/news.aspx?newsID=57451。(1月26日访问,2023)。

  • 哈佛大学

    普拉卡什溃败,Bismay》2021。整体考虑电动汽车充电站分布所使用的机器学习。AZoM,认为2023年1月26日,//www.wireless-io.com/news.aspx?newsID=57451。

告诉我们你的想法

你有检查、更新或任何你想添加这个新闻吗?

离开你的反馈
你的评论类型
提交