論文の概要: LSTM-Based Adaptive Vehicle Position Control for Dynamic Wireless Charging

• arxiv url: http://arxiv.org/abs/2205.10491v1
• Date: Sat, 21 May 2022 02:45:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 19:29:48.234840
• Title: LSTM-Based Adaptive Vehicle Position Control for Dynamic Wireless Charging
• Title（参考訳）: LSTMを用いた動的ワイヤレス充電のための適応車両位置制御
• Authors: Lokesh Chandra Das, Dipankar Dasgupta, Myounggyu Won
• Abstract要約: ダイナミックワイヤレス充電(DWC)は、電気自動車が動きながらワイヤレスで充電できる新しい技術である。 本稿では,充電効率を最大化するために設計したDWC用LSTM型車両運動制御システムについて述べる。
• 参考スコア（独自算出の注目度）: 15.07549655582389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic wireless charging (DWC) is an emerging technology that allows electric vehicles (EVs) to be wirelessly charged while in motion. It is gaining significant momentum as it can potentially address the range limitation issue for EVs. However, due to significant power loss caused by wireless power transfer, improving charging efficiency remains as a major challenge for DWC systems. This paper presents the first LSTM-based vehicle motion control system for DWC designed to maximize charging efficiency. The dynamics of the electromagnetic field generated by the transmitter coils of a DWC system are modeled based on a multi-layer LSTM. The LSTM model is used to make a prediction of the lateral position where the electromagnetic strength is expected to be maximal and to control the EV motion accordingly to optimize charging efficiency. Simulations were conducted to demonstrate that our LSTM-based approach achieves by up to 162.3% higher charging efficiency compared with state-of-the-art vehicle motion control systems focused on keeping an EV in the center of lane.
• Abstract（参考訳）: ダイナミックワイヤレス充電(dynamic wireless charging, dwc)は、電気自動車(ev)の動作中にワイヤレス充電を可能にする技術である。 EVのレンジ制限問題に対処できる可能性があるため、大きな勢いを増している。 しかし、ワイヤレス電力転送による電力損失が大きいため、dwcシステムでは充電効率の向上が大きな課題となっている。 本稿では,充電効率を最大化するために設計したDWC用LSTM型車両運動制御システムについて述べる。 多層LSTMに基づいてDWC系の送信機コイルによって生じる電磁界のダイナミクスをモデル化する。 LSTMモデルを用いて、電磁力の最大値が期待される横方向の位置を予測し、充電効率を最適化するためにEV動作を制御する。 シミュレーションにより,evを車線の中心に保持することに焦点を当てた最先端の車両運動制御システムと比較して,最大162.3%高い充電効率を実現することを実証した。

関連論文リスト

• Energy-efficient Hybrid Model Predictive Trajectory Planning for Autonomous Electric Vehicles [5.962979693707366]
  本稿では省エネ最適化戦略を用いた省エネハイブリッドモデル予測計画(EHMPP)を提案する。 Prescan、CarSim、Matlabのプラットフォーム上でのシミュレーション実験により、受動的回復エネルギーを11.74%増加させることが実証された。
  論文  参考訳（メタデータ） (2024-11-09T08:21:06Z)
• Online Electric Vehicle Charging Detection Based on Memory-based Transformer using Smart Meter Data [19.865702673783154]
  電気自動車(EV)の人気は、グリッドオペレーターとインフラに固有の課題をもたらす。 1つの重要な側面は、グリッド内のEV充電の存在を正確に識別する能力である。 ストリーミングスマートメーターからEVの充電を検出するために,リアルタイム(オンライン)に動作可能な新しいメモリベーストランス (M-TR) を提案する。
  論文  参考訳（メタデータ） (2024-08-06T03:19:14Z)
• 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)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• 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)
• Transfer Deep Reinforcement Learning-based Large-scale V2G Continuous Charging Coordination with Renewable Energy Sources [5.99526159525785]
  再生可能エネルギーと電力グリッドの安定性を高めるため,V2G技術と大規模スケジューリングアルゴリズムを開発した。 本稿では, 連続充電/放電協調戦略のための深部強化学習法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T13:21:55Z)
• A Pulse-and-Glide-driven Adaptive Cruise Control System for Electric Vehicle [1.8305518556327907]
  PGACCS (Pulse-and-Glide-driven Adaptive Cruise Control System) は電気自動車において有望な選択肢である。 本稿では、PGACCSと再生ブレーキの性能評価に基づいて、再生ブレーキとACCSを備えたEVのシミュレーションモデルを構築した。 PnG最適化の結果、PGACCSのPnG運転は従来のACCSのCC運転と比較して、EVの28.3%のエネルギーコストを削減できた。
  論文  参考訳（メタデータ） (2022-05-18T01:33:47Z)
• Power Control for a URLLC-enabled UAV system incorporated with DNN-Based Channel Estimation [82.16169603954663]
  この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
  論文  参考訳（メタデータ） (2020-11-14T02:31:04Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)
• Massive MIMO As an Extreme Learning Machine [83.12538841141892]
  低分解能アナログ・デジタルコンバータ(ADC)を用いたMIMOシステムによる自然極端学習機械(ELM)の試作 受信した信号にランダムなバイアスを加え、ELM出力の重みを最適化することにより、システムはハードウェアの障害に効果的に取り組むことができる。
  論文  参考訳（メタデータ） (2020-07-01T04:15:20Z)

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。