PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.21444v1math.OC

지속 가능한 도시를 위한 기후 회복력 전기차 충전 인프라: 예방 정비와 저탄소 이동성을 위한 해석 가능한 인과-앙상블 프레임워크

Climate-resilient electric vehicle charging infrastructure for sustainable cities: An interpretable causal-ensemble framework for preventive maintenance and low-carbon mobility

신뢰할 수 있는 전기차(EV) 충전 인프라는 지속 가능한 저탄소 도시의 핵심 요소이지만, 극한 고온, 집중 강수, 습도와 같은 도시 기후 스트레스가 장비 고장 위험을 점점 더 높이고 도시 에너지 및 이동 서비스의 회복력을 약화시키고 있다. 수동적 수리에서 예방 정비로 운영을 전환하려면 정확하고 전향적인 고장 위험 예측이 필수적이며, 이는 물리적·행동적·맥락적·과거 신호의 이질적 시간 척도와 다주(多週) 수준의 예측으로 인해 복잡해진다. 우리는 기후 회복력 충전 자산 관리를 위한 해석 가능한 의사결정 지원 시스템을 구성하는 특징 기반 동적 스태킹 앙상블(FGDSE)을 개발한다. 이는 이질적 신호를 네 가지 특징 계열로 분할하고, 각각을 데이터와 귀납적 바이어스가 맞는 도메인 전문가에 배정하며, 단기 펄스와 장기 열화를 위한 두 개의 심층 시간 전문가를 추가한다. 이후 예측 기간별 게이팅 메커니즘이 1~30일에 걸친 일별 고장 위험을 예측하기 위해 적응적 가중치를 학습한다. SHAP 기여도 분석과 X-learner는 확률적 출력을 충전소(post) 수준 처치 효과를 갖는 인과적 의사결정 지원으로 확장한다. 13개 충전소의 25개월 데이터에서 FGDSE는 10일을 넘는 예측 기간에서 12개 베이스라인을 능가하며, 30일에서 약 85%의 매크로 재현율을 유지하고 AUC 감소는 3.2포인트에 불과하며, 지배 요인이 고장 이력에서 기후 스트레스로 이동함을 보여준다. 극한 고온을 시간이 지남에 따라 인과 효과가 증폭되는 유일한 노출 요인으로 식별하고, 약 30%의 충전소를 고온 민감으로 표시하며, 도시 이동 회복력을 강화하고 저탄소 이동을 지속하는 기후 적응형 정비를 위한 정량적 임계값을 도출한다.

arXiv:2606.19199v1cs.LG

중요한 요소 예측하기: 알려지지 않은 출발 시간을 갖는 제어형 EV 충전을 위한 의사결정 중심 강화학습

Forecasting what Matters: Decision-Focused RL for Controlled EV Charging with Unknown Departure Times

최근 전기차(EV) 도입의 증가는 전력 시스템에 피크 수요 증가 및 잠재적 계통 불안정성을 포함한 도전 과제를 야기합니다. 전기차 충전의 스마트 제어(예: 강화학습(RL) 기반)는 과거 데이터에서 시간적 및 문맥적 패턴을 학습함으로써 이러한 문제를 완화할 수 있습니다. 그러나 실제 시나리오에서는 출발 시간과 같은 주요 특징을 종종 사용할 수 없습니다. 이는 차례로 RL 에이전트가 효과적인 충전 정책을 학습하고 실행하는 것을 더 어렵게 만듭니다. 이러한 불확실성을 완화하기 위해, 학습된 예측 모델(forecaster)이 사용 가능한 데이터로부터 알려지지 않은 특징을 근사할 수 있습니다. 그러나 이러한 예측 모델들은 일반적으로 정확도를 위해 학습되기 때문에(하류 에이전트의 의사결정 품질에 미치는 영향이 아님), 그 오류가 전파되어 예측을 사용하는 컨트롤러의 전체 성능을 저해할 수 있습니다. 이를 방지하기 위해, 우리는 예측 모델이 엔드투엔드로, 즉 RL 에이전트가 취하는 충전 정책 행동으로부터의 피드백을 통해 학습되는 의사결정 중심 강화학습(DF-RL) 프레임워크를 제안합니다. 예측 모델과 컨트롤러 모두의 이러한 공동 학습은 궁극적으로 더 높은 품질의 행동으로 이어집니다: 제안된 DF-RL 방법은 다른 기준선(baseline)에 비해 우수한 충전 결정을 산출하며, 출발 시간 예측 없는 RL 방법 대비 총 보상에서 최대 14%의 향상과 미공급 에너지(즉, 전기차가 이미 떠나서 발생하지 않은 충전)의 55% 감소를 달성했습니다.