論文の概要: Optimal Placement of Public Electric Vehicle Charging Stations Using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2108.07772v1
• Date: Tue, 17 Aug 2021 17:25:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 15:25:13.484418
• Title: Optimal Placement of Public Electric Vehicle Charging Stations Using Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習による公共電気自動車充電ステーションの最適配置
• Authors: Aidan Petratos, Allen Ting, Shankar Padmanabhan, Kristina Zhou, Dylan Hageman, Jesse R. Pisel, Michael J. Pyrcz
• Abstract要約: Reinforcement Learning (RL) の新たな応用により、新しい充電ステーションの最適な場所を見つけることができる。 提案するRLフレームワークを世界中の都市に適用し,充電ステーション配置を最適化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The placement of charging stations in areas with developing charging infrastructure is a critical component of the future success of electric vehicles (EVs). In Albany County in New York, the expected rise in the EV population requires additional charging stations to maintain a sufficient level of efficiency across the charging infrastructure. A novel application of Reinforcement Learning (RL) is able to find optimal locations for new charging stations given the predicted charging demand and current charging locations. The most important factors that influence charging demand prediction include the conterminous traffic density, EV registrations, and proximity to certain types of public buildings. The proposed RL framework can be refined and applied to cities across the world to optimize charging station placement.
• Abstract（参考訳）: 充電設備の整備に伴う地域における充電ステーションの設置は、電気自動車(ev)の将来の成功の重要な要素である。 ニューヨーク州オールバニ郡では、ev人口の増加が予想されているため、充電インフラ全体で十分な効率を維持するために追加の充電ステーションが必要である。 Reinforcement Learning (RL) の新たな応用は、予測された充電需要と現在の充電場所から、新しい充電ステーションの最適な位置を見つけることができる。 料金需要予測に影響を与える最も重要な要因は、終端交通密度、ev登録、ある種の公共建築物への近接などである。 提案するRLフレームワークを世界中の都市に適用し,充電ステーション配置を最適化する。

関連論文リスト

• Maximum flow-based formulation for the optimal location of electric vehicle charging stations [2.340830801548167]
  本稿では,EV充電需要を最大フロー問題として駅に割り当てるモデルを提案する。 実世界のシナリオを扱うための我々のアプローチのスケーラビリティを実証し、モントリオール市の方法論を紹介します。
  論文  参考訳（メタデータ） (2023-12-10T19:49:09Z)
• 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)
• 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)
• 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)
• Reinforcement Learning-based Placement of Charging Stations in Urban Road Networks [0.0]
  我々は、充電ステーション配置問題(PCRL)を解決するための新しいDeep Reinforcement Learningアプローチを設計する。 既存のインフラストラクチャと比較して、待ち時間を最大97%削減し、メリットを最大497%向上することが可能です。
  論文  参考訳（メタデータ） (2022-06-13T10:03:32Z)
• Estimation of Electric Vehicle Public Charging Demand using Cellphone Data and Points of Interest-based Segmentation [0.0]
  道路の電気化競争が始まり、ドライバーが燃料駆動の車両から電気自動車に乗り換えるよう促すには、堅牢な電気自動車(EV)充電インフラが必要である。 本稿では,革新的なEV充電需要推定とセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2022-06-02T09:54:11Z)
• Web Mining to Inform Locations of Charging Stations for Electric Vehicles [18.25327009053813]
  電気自動車(EV)オーナーは、充電ステーションと関心点(POI)の間を歩く意思に一定の制限がある 我々は, OpenStreetMap の異なる POI が充電ステーションの利用に与える影響を特徴付ける Web マイニングの利用を提案する。 我々は、POIと充電ステーションの両方の空間分布を考慮に入れた、調整された解釈可能なモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-10T17:00:18Z)
• 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)
• SPAP: Simultaneous Demand Prediction and Planning for Electric Vehicle Chargers in a New City [19.95343057352923]
  運用データ不足に対するEV充電器の実際の展開前に充電要求を予測することは困難である。 本稿では,この問題を解決するために,同時需要予測・計画(SPAP)を提案する。 SPAPは、現実世界の充電器の展開と比較して、最低でも72.5%の収益を上げている。
  論文  参考訳（メタデータ） (2021-10-18T16:42:42Z)
• 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)
• Intelligent Electric Vehicle Charging Recommendation Based on Multi-Agent Reinforcement Learning [42.31586065609373]
  電気自動車(ev)はその環境とエネルギーの持続可能性のために現代の交通システムで選択されている。 多くの都市では、限られた充電インフラとほとんどバランスの取れない充電需要のために、EVドライバーは充電に適した場所を見つけることができません。 公共充電ステーションをインテリジェントに推奨する,マルチエージェント時空間時空間学習(MasterReinforce)というフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-15T06:23:59Z)

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。