論文の概要: Autonomous Charging of Electric Vehicle Fleets to Enhance Renewable Generation Dispatchability

• arxiv url: http://arxiv.org/abs/2012.12257v1
• Date: Tue, 22 Dec 2020 18:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:14:53.052489
• Title: Autonomous Charging of Electric Vehicle Fleets to Enhance Renewable Generation Dispatchability
• Title（参考訳）: 再生可能発電能力向上のための電気自動車車両の自律充電
• Authors: Reza Bayani, Saeed D. Manshadi, Guangyi Liu, Yawei Wang, Renchang Dai
• Abstract要約: カリフォルニア州の発電能力の合計19%はPVユニットによって提供され、数ヶ月で、このエネルギーの10%以上が削減されます。 本研究では、電気自動車の充電調整による再生可能エネルギーの低減とシステムの柔軟性向上に向けた新しいアプローチを示す。
• 参考スコア（独自算出の注目度）: 1.6251898162696201
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A total 19% of generation capacity in California is offered by PV units and over some months, more than 10% of this energy is curtailed. In this research, a novel approach to reduce renewable generation curtailments and increasing system flexibility by means of electric vehicles' charging coordination is represented. The presented problem is a sequential decision making process, and is solved by fitted Q-iteration algorithm which unlike other reinforcement learning methods, needs fewer episodes of learning. Three case studies are presented to validate the effectiveness of the proposed approach. These cases include aggregator load following, ramp service and utilization of non-deterministic PV generation. The results suggest that through this framework, EVs successfully learn how to adjust their charging schedule in stochastic scenarios where their trip times, as well as solar power generation are unknown beforehand.
• Abstract（参考訳）: カリフォルニア州の発電能力の合計19%は太陽光発電で供給されており、数ヶ月でこのエネルギーの10%以上が削減されている。 本研究では、電気自動車の充電調整による再生可能エネルギー削減とシステムの柔軟性向上のための新しいアプローチを示す。 提案した問題は逐次意思決定プロセスであり,他の強化学習法と異なり,学習回数の少ないQ-イテレーションアルゴリズムによって解決される。 提案手法の有効性を検証するために3つの事例研究を行った。 これらのケースには、アグリゲータ負荷追従、ランプサービス、非決定論的PV生成の利用が含まれる。 結果は、この枠組みを通じて、電気自動車は、旅行時間や太陽光発電が事前に不明な確率的なシナリオで充電スケジュールを調整する方法を学ぶことに成功したことを示唆している。

関連論文リスト

• Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
  電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。 我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。 本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
  論文  参考訳（メタデータ） (2023-10-18T18:38:59Z)
• Solar Power driven EV Charging Optimization with Deep Reinforcement Learning [6.936743119804558]
  電気自動車(EV)や太陽光発電システム(PV)などの分散型エネルギー資源は、住宅用電力システムに継続的に統合されている。 本稿では、クリーンで太陽エネルギーの消費を優先しながら、家庭用EV充電の課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2022-11-17T11:52:27Z)
• Federated Reinforcement Learning for Real-Time Electric Vehicle Charging and Discharging Control [42.17503767317918]
  本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。 多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。 シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
  論文  参考訳（メタデータ） (2022-10-04T08:22:46Z)
• A Deep Reinforcement Learning-Based Charging Scheduling Approach with Augmented Lagrangian for Electric Vehicle [2.686271754751717]
  本稿では,EV充電スケジューリング問題を制約付きマルコフ決定過程(CMDP)として定式化する。 本稿では, CMDP を解くために, 安全な非政治強化学習(RL)手法を提案する。 実世界の電力価格を用いた総合的な数値実験により,提案アルゴリズムは高解最適性と制約コンプライアンスを実現することができることを示した。
  論文  参考訳（メタデータ） (2022-09-20T14:56:51Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)
• Improving Operational Efficiency In EV Ridepooling Fleets By Predictive Exploitation of Idle Times [0.0]
  Idle Time Exploitation (ITX) と呼ばれる1つのオペレーターによる配車サービスのリアルタイム予測充電方式を提案する。 ITXは、車両がアイドル状態にある期間を予測し、これらの期間を利用してエネルギーを収穫する。 グラフ畳み込みネットワーク(Graph Convolutional Networks)と線形代入アルゴリズムを用いて、車両と充電ステーションの最適なペアを考案する。
  論文  参考訳（メタデータ） (2022-08-30T08:41:40Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• A Reinforcement Learning Approach for Electric Vehicle Routing Problem with Vehicle-to-Grid Supply [2.6066825041242367]
  EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。 RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
  論文  参考訳（メタデータ） (2022-04-12T06:13:06Z)
• Computationally efficient joint coordination of multiple electric vehicle charging points using reinforcement learning [6.37470346908743]
  今日の電力網における大きな課題は、電気自動車(EV)充電による負荷の増加を管理することである。 同時に複数の充電点を協調的に座標する単一ステップの解法を提案する。 我々の新しいRLソリューションは、ビジネス・アズ・ユース・ポリシーと比較して、充電需要調整の性能を40～50%向上させています。
  論文  参考訳（メタデータ） (2022-03-26T13:42:57Z)
• Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
  バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。 本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-09-10T10:59:14Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。