論文の概要: Fed-BEV: A Federated Learning Framework for Modelling Energy Consumption
of Battery Electric Vehicles
- arxiv url: http://arxiv.org/abs/2108.04036v1
- Date: Thu, 5 Aug 2021 01:56:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:41:03.964637
- Title: Fed-BEV: A Federated Learning Framework for Modelling Energy Consumption
of Battery Electric Vehicles
- Title(参考訳): Fed-BEV: 電気自動車のエネルギー消費をモデル化するフェデレーションラーニングフレームワーク
- Authors: Mingming Liu
- Abstract要約: バッテリ電気自動車(BEV)は、バッテリパックに蓄えられた化学エネルギーのみを推進に使用する。
BEV(Fed-BEV)のエネルギー消費をモデル化するための新しい枠組みを提案する。
具体的には、Fed-BEVフレームワークに関わるBEVのグループが互いに学び、エネルギー消費モデルを共同で強化することができる。
- 参考スコア(独自算出の注目度): 5.817576247456001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, there has been an increasing interest in the roll-out of electric
vehicles (EVs) in the global automotive market. Compared to conventional
internal combustion engine vehicles (ICEVs), EVs can not only help users reduce
monetary costs in their daily commuting, but also can effectively help mitigate
the increasing level of traffic emissions produced in cities. Among many
others, battery electric vehicles (BEVs) exclusively use chemical energy stored
in their battery packs for propulsion. Hence, it becomes important to
understand how much energy can be consumed by such vehicles in various traffic
scenarios towards effective energy management. To address this challenge, we
propose a novel framework in this paper by leveraging the federated learning
approaches for modelling energy consumption for BEVs (Fed-BEV). More
specifically, a group of BEVs involved in the Fed-BEV framework can learn from
each other to jointly enhance their energy consumption model. We present the
design of the proposed system architecture and implementation details in a
co-simulation environment. Finally, comparative studies and simulation results
are discussed to illustrate the efficacy of our proposed framework for accurate
energy modelling of BEVs.
- Abstract(参考訳): 近年,世界自動車市場における電気自動車(EV)のロールアウトへの関心が高まっている。
従来の内燃機関車(ICEV)と比較して、EVはユーザーが毎日通勤する際の金銭的コストを削減できるだけでなく、都市で発生する交通排出の増大を効果的に軽減できる。
とりわけ、バッテリ電気自動車(BEV)は、バッテリパックに蓄えられた化学エネルギーのみを推進に使っている。
そのため、様々な交通シナリオにおいて、こうした車両がどれだけのエネルギーを消費できるかを理解することが重要である。
そこで本稿では,BEV(Fed-BEV)のエネルギー消費をモデル化するためのフェデレーション学習アプローチを活用した新しい枠組みを提案する。
具体的には、Fed-BEVフレームワークに関わるBEVのグループが互いに学び、エネルギー消費モデルを共同で強化することができる。
提案するシステムアーキテクチャの設計と実装の詳細を共模した環境で提示する。
最後に,本提案手法がbevの正確なエネルギーモデリングに有効であることを示すため,比較研究とシミュレーション結果について述べる。
関連論文リスト
- Modeling of New Energy Vehicles' Impact on Urban Ecology Focusing on Behavior [0.0]
新たなエネルギー車両の需要の急増は、エネルギーの保存、排出の削減、生態環境の強化によって引き起こされる。
新しいエネルギー車両の行動分析と鉱業利用パターンを特定できる。
新しいエネルギー車両と環境との相互作用をシミュレートするための環境計算モデリング手法が提案されている。
論文 参考訳(メタデータ) (2024-06-06T14:03:52Z) - Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。
この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳(メタデータ) (2023-11-28T15:09:36Z) - Recent Progress in Energy Management of Connected Hybrid Electric
Vehicles Using Reinforcement Learning [6.851787321368938]
電気輸送へのシフトは、化石燃料消費に関する環境問題を抑制することを目的としている。
HEVからコネクテッドハイブリッド電気自動車(CHEV)へのエネルギー管理システム(EMS)の進化は、重要なシフトを表している。
このレビューは、将来の持続可能な輸送システムに対するRLベースのソリューションのギャップを橋渡しし、課題、進歩、潜在的貢献を明らかにする。
論文 参考訳(メタデータ) (2023-08-28T14:12:52Z) - MARL for Decentralized Electric Vehicle Charging Coordination with V2V
Energy Exchange [5.442116840518914]
本稿では、車両間エネルギー交換(V2V)を考慮したEV充電調整について述べる。
本稿では,EV充電とV2Vエネルギー交換を協調するマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳(メタデータ) (2023-08-27T14:06:21Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-17T05:34:46Z) - Data-Driven Probabilistic Energy Consumption Estimation for Battery
Electric Vehicles with Model Uncertainty [1.0787390511207684]
本稿では,モデル不確実性を伴う確率的ニューラルネットワークを用いた運転行動中心のEVエネルギー消費推定モデルを提案する。
モデル不確実性をニューラルネットワークに組み込むことで、モンテカルロを用いたニューラルネットワークのアンサンブルを作成しました。
提案手法は, 平均絶対誤差9.3%を達成し, 既存のEVエネルギー消費モデルよりも精度が高い。
論文 参考訳(メタデータ) (2023-07-02T04:30:20Z) - 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) - An Energy and Carbon Footprint Analysis of Distributed and Federated
Learning [42.37180749113699]
古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。
このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。
本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2022-06-21T13:28:49Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - Risk Adversarial Learning System for Connected and Autonomous Vehicle
Charging [43.42105971560163]
我々は、コネクテッドかつ自律的な自動車充電インフラ(CAV-CI)のための合理的意思決定支援システム(RDSS)の設計について検討する。
検討されたCAV-CIでは、配電系統オペレーター(DSO)が電気自動車供給装置(EVSE)を配備し、人間駆動のコネクテッドカー(CV)と自動運転車(AV)のためのEV充電設備を提供する。
人力EVによる充電要求は、実際の需要よりもエネルギーと充電時間を必要とすると不合理になる。
我々は,CAV-CIが解決する新たなリスク対向型マルチエージェント学習システム(ALS)を提案する。
論文 参考訳(メタデータ) (2021-08-02T02:38:15Z) - Efficient algorithms for electric vehicles' min-max routing problem [4.640835690336652]
輸送部門から排出される温室効果ガスの増加は、企業や政府が電気自動車(EV)の増産と支援を図っている。
近年の都市化と電子商取引の進展により、輸送会社は従来の車両をEVに置き換え、持続的で環境に優しい運転の取り組みを強化している。
EV車両の展開は、限られた範囲を緩和し、バッテリー劣化率を軽減するために、効率的なルーティングと充電戦略を要求する。
論文 参考訳(メタデータ) (2020-08-07T18:45:26Z)
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。