論文の概要: Reinforcement Learning-based Placement of Charging Stations in Urban Road Networks

• arxiv url: http://arxiv.org/abs/2206.06011v1
• Date: Mon, 13 Jun 2022 10:03:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 17:54:53.850427
• Title: Reinforcement Learning-based Placement of Charging Stations in Urban Road Networks
• Title（参考訳）: 都市道路網における充電ステーションの強化学習による配置
• Authors: Leonie von Wahl (1), Nicolas Tempelmeier (1), Ashutosh Sao (2) and Elena Demidova (3) ((1) Volkswagen Group, (2) L3S Research Center, University of Hannover, (3) Data Science & Intelligent Systems Group (DSIS), University of Bonn)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The transition from conventional mobility to electromobility largely depends on charging infrastructure availability and optimal placement.This paper examines the optimal placement of charging stations in urban areas. We maximise the charging infrastructure supply over the area and minimise waiting, travel, and charging times while setting budget constraints. Moreover, we include the possibility of charging vehicles at home to obtain a more refined estimation of the actual charging demand throughout the urban area. We formulate the Placement of Charging Stations problem as a non-linear integer optimisation problem that seeks the optimal positions for charging stations and the optimal number of charging piles of different charging types. We design a novel Deep Reinforcement Learning approach to solve the charging station placement problem (PCRL). Extensive experiments on real-world datasets show how the PCRL reduces the waiting and travel time while increasing the benefit of the charging plan compared to five baselines. Compared to the existing infrastructure, we can reduce the waiting time by up to 97% and increase the benefit up to 497%.
• Abstract（参考訳）: 従来のモビリティからエレクトロモビリティへの移行は、帯電インフラの可用性と最適配置に大きく依存しており、都市部における帯電ステーションの最適配置について検討する。 我々は、地域の充電インフラ供給を最大化し、予算制約を設定しながら、待ち時間、旅行時間、充電時間を最小化する。 さらに, 都市全域の充電需要をより高精度に推定するために, 家庭での充電が可能となる可能性についても検討した。 充電ステーションの最適位置と異なる充電タイプの充電池数を求める非線形整数最適化問題として充電ステーションの配置を定式化する。 我々は、充電ステーション配置問題(PCRL)を解決するために、新しいDeep Reinforcement Learningアプローチを設計する。 実世界のデータセットに対する大規模な実験は、PCRLが5つの基準線と比較して充電計画の利点を高めながら、待ち時間と旅行時間を減らしていることを示している。 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。

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)
• Resource Constrained Vehicular Edge Federated Learning with Highly Mobile Connected Vehicles [41.02566275644629]
  本稿では,中央処理ユニット(CPU)およびローカルデータセット上で,エッジサーバが高度に移動可能なコネクテッドカー(CV)を利用してグローバルモデルをトレーニングする,VEFL(vehicular edge federated learning)ソリューションを提案する。 我々は, 遅延, エネルギー, コスト制約下での無線アクセス技術 (RAT) のパラメータ最適化問題を, 局所的に訓練されたモデルの受信を成功させる確率を最大化するために考案した。
  論文  参考訳（メタデータ） (2022-10-27T14:33:06Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Optimal Placement of Public Electric Vehicle Charging Stations Using Deep Reinforcement Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2021-08-17T17:25:30Z)
• 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)
• Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for Data-Driven Base Station Sleep Control [39.31623488192675]
  5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。 BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。 セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。 本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-01-21T01:39:42Z)

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。