論文の概要: An electric vehicle charging station access equilibrium model with M/D/C
queueing
- arxiv url: http://arxiv.org/abs/2102.05851v2
- Date: Fri, 3 Sep 2021 19:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 12:17:57.068000
- Title: An electric vehicle charging station access equilibrium model with M/D/C
queueing
- Title（参考訳）: M/D/C待ち行列を用いた電気自動車充電ステーションアクセス平衡モデル
- Authors: Bingqing Liu, Theodoros P. Pantelidis, Stephanie Tam, Joseph Y. J.
Chow
- Abstract要約: 本稿では,M/D/Cキュー近似を非微分非線形プログラムとして用いたEV-to-charging station user equilibrium (UE)割り当てモデルを提案する。
このモデルは、2020年7月8日時点のニューヨーク市全体行政サービス(NYC DCAS)およびEV充電ステーションの構成に関する大規模なケーススタディに適用される。
その結果,高い待ち待ち時間ではなく,高い利用率の場所の選択に基づくポリシが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the dependency of electric vehicle (EV) fleets on charging station
availability, charging infrastructure remains limited in many cities. Three
contributions are made. First, we propose an EV-to-charging station user
equilibrium (UE) assignment model with a M/D/C queue approximation as a
nondifferentiable nonlinear program. Second, to address the
non-differentiability of the queue delay function, we propose an original
solution algorithm based on the derivative-free Method of Successive Averages.
Computational tests with a toy network show that the model converges to a UE. A
working code in Python is provided free on Github with detailed test cases.
Third, the model is applied to the large-scale case study of New York City
Department of Citywide Administrative Services (NYC DCAS) fleet and EV charging
station configuration as of July 8, 2020, which includes unique, real data for
563 Level 2 chargers and 4 Direct Current Fast Chargers (DCFCs) and 1484 EVs
distributed over 512 Traffic Analysis Zones. The arrival rates of the
assignment model are calibrated in the base scenario to fit an observed average
utilization ratio of 7.6% in NYC. The model is then applied to compare charging
station investment policies of DCFCs to Level 2 charging stations based on two
alternative criteria. Results suggest a policy based on selecting locations
with high utilization ratio instead of with high queue delay.
- Abstract（参考訳）: 電気自動車(EV)は充電ステーションの可用性に依存しているが、多くの都市では充電インフラが限られている。
3つの貢献がある。
まず,M/D/Cキュー近似を非微分非線形プログラムとして用いたEV-to-charging station user equilibrium (UE)割り当てモデルを提案する。
第2に、待ち行列遅延関数の非微分可能性に対処するため、導関数のない逐次平均法に基づく独自の解法を提案する。
おもちゃのネットワークによる計算テストは、モデルがUEに収束することを示している。
pythonの動作するコードは、詳細なテストケースとともにgithubで無料で提供されている。
第三に、このモデルは、2020年7月8日時点でニューヨーク市交通局(NYC DCAS)の車両およびEV充電ステーションの構成に関する大規模なケーススタディに適用され、563レベル2の充電器と4つの直流高速充電器(DCFC)用のユニークな実データと、512の交通分析ゾーンに分散された1484のEVを含む。
割り当てモデルの到着率は、ニューヨーク市の平均利用率7.6%に適合するように基準シナリオで調整される。
このモデルを用いて、DCFCの充電ステーション投資ポリシーを2つの代替基準に基づいてレベル2充電ステーションと比較する。
その結果,待ち行列遅延ではなく,高い利用率の場所選択に基づく方針が示唆された。
関連論文リスト
- Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。
我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。
FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
論文 参考訳（メタデータ） (2024-11-06T16:18:33Z) - SPARQ: Efficient Entanglement Distribution and Routing in Space-Air-Ground Quantum Networks [50.91365514137301]
宇宙空間量子(SPARQ)ネットワークは、シームレスなオンデマンドの絡み合い分布を提供する手段として開発された。
SPARQの複数のグラフ上でディープQネットワーク(DQN)を用いて深層強化学習フレームワークを提案し,訓練した。
通信相手間の絡み合いを確立するために,サードパーティの絡み合い分散政策を提案する。
論文 参考訳（メタデータ） (2024-09-19T16:31:37Z) - Location based Probabilistic Load Forecasting of EV Charging Sites: Deep Transfer Learning with Multi-Quantile Temporal Convolutional Network [1.49199020343864]
本稿では,多成分時間畳み込みネットワーク(MQ-TCN)を用いたEV充電サイトの位置に基づく負荷予測について述べる。
多様なEVユーザタイプを持つ4つの充電所(Caltech, JPL, Office-1, NREL)のデータについて実験を行った。
提案した MQ-TCN モデルでは,JPL 充電現場での日頭負荷予測において,XGBoost モデルよりも28.93% 向上した。
論文 参考訳（メタデータ） (2024-09-18T10:34:48Z) - Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - Controlling Large Electric Vehicle Charging Stations via User Behavior Modeling and Stochastic Programming [0.0]
本稿では,現実の制約を組み込んだ電気自動車充電ステーションモデルを提案する。
ユーザが提供する情報を活用する2つのマルチステージプログラミング手法を提案する。
日時依存プロセスに基づくユーザの行動モデルは、顧客満足度を維持しながらコスト削減を促進する。
論文 参考訳（メタデータ） (2024-02-20T18:37:11Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Neighbor-Based Optimized Logistic Regression Machine Learning Model For
Electric Vehicle Occupancy Detection [0.0]
このモデルは、カリフォルニア大学サンディエゴ校キャンパスの57台のEV充電ステーションのデータに基づいて訓練された。
このモデルは88.43%の平均精度と92.23%の最大精度を達成した。
論文 参考訳（メタデータ） (2022-04-28T01:05:32Z) - Learning to Operate an Electric Vehicle Charging Station Considering
Vehicle-grid Integration [4.855689194518905]
本稿では、充電ステーションの利益を最大化するために、新しい集中的アロケーションと分散実行(CADE)強化学習(RL)フレームワークを提案する。
集中配置プロセスでは、EVを待機スポットまたは充電スポットに割り当て、分散実行プロセスでは、各充電器は、共有再生メモリからアクション値関数を学習しながら、独自の充電/放電判定を行う。
数値計算により,提案したCADEフレームワークは計算効率が高く,拡張性も高く,ベースラインモデル予測制御(MPC)よりも優れていた。
論文 参考訳（メタデータ） (2021-11-01T23:10:28Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z) - Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。
我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。
我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
論文 参考訳（メタデータ） (2020-09-27T08:28:25Z) - A node-charge graph-based online carshare rebalancing policy with
capacitated electric charging [3.262056736346764]
コスト関数近似を用いた新たな再バランスポリシを提案する。
このアルゴリズムはニューヨーク州ブルックリンの電気カーシェアのケーススタディで検証されている。
論文 参考訳（メタデータ） (2020-01-20T23:28:29Z)
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。