論文の概要: Solar Power driven EV Charging Optimization with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2211.09479v1
• Date: Thu, 17 Nov 2022 11:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 17:21:03.947467
• Title: Solar Power driven EV Charging Optimization with Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習によるソーラーパワー駆動EV充電最適化
• Authors: Stavros Sykiotis, Christoforos Menos-Aikateriniadis, Anastasios Doulamis, Nikolaos Doulamis, Pavlos S. Georgilakis
• Abstract要約: 電気自動車(EV)や太陽光発電システム(PV)などの分散型エネルギー資源は、住宅用電力システムに継続的に統合されている。 本稿では、クリーンで太陽エネルギーの消費を優先しながら、家庭用EV充電の課題に対処することを目的とする。
• 参考スコア（独自算出の注目度）: 6.936743119804558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Power sector decarbonization plays a vital role in the upcoming energy transition towards a more sustainable future. Decentralized energy resources, such as Electric Vehicles (EV) and solar photovoltaic systems (PV), are continuously integrated in residential power systems, increasing the risk of bottlenecks in power distribution networks. This paper aims to address the challenge of domestic EV charging while prioritizing clean, solar energy consumption. Real Time-of-Use tariffs are treated as a price-based Demand Response (DR) mechanism that can incentivize end-users to optimally shift EV charging load in hours of high solar PV generation with the use of Deep Reinforcement Learning (DRL). Historical measurements from the Pecan Street dataset are analyzed to shape a flexibility potential reward to describe end-user charging preferences. Experimental results show that the proposed DQN EV optimal charging policy is able to reduce electricity bills by an average 11.5\% by achieving an average utilization of solar power 88.4
• Abstract（参考訳）: 電力セクターの脱炭は、より持続可能な未来へのエネルギー移行において重要な役割を果たす。 電気自動車(EV)や太陽光発電システム(PV)などの分散型エネルギー資源は、住宅電力システムに継続的に統合され、配電ネットワークにおけるボトルネックのリスクが増大する。 本稿では、クリーンで太陽エネルギーの消費を優先しながら、家庭用EV充電の課題を解決することを目的とする。 リアル・タイム・オブ・ユース関税は、Deep Reinforcement Learning (DRL) を用いて、エンドユーザが高ソーラーPV発生時間にEV充電負荷を最適にシフトさせるための価格ベースの需要応答(DR)メカニズムとして扱われる。 pecan streetデータセットからの過去の測定結果を分析して、エンドユーザの充電選択を記述する柔軟性の可能性の報奨を形成する。 実験結果から,dqn evの最適充電方式は,太陽エネルギー88.4を平均利用することにより,電力料金を平均11.5 %削減できることがわかった。

関連論文リスト

• 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)
• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• 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)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Location-aware green energy availability forecasting for multiple time frames in smart buildings: The case of Estonia [0.5156484100374058]
  本研究の目的は、異なる機械学習モデルを用いて、天気と派生した特徴に基づいてPVシステムの出力パワーを予測することである。 目的は、データを調べて出力パワーを正確に予測する最適なモデルを得ることである。
  論文  参考訳（メタデータ） (2022-10-04T14:02:43Z)
• 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)
• 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)
• 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)
• Autonomous Charging of Electric Vehicle Fleets to Enhance Renewable Generation Dispatchability [1.6251898162696201]
  カリフォルニア州の発電能力の合計19%はPVユニットによって提供され、数ヶ月で、このエネルギーの10%以上が削減されます。 本研究では、電気自動車の充電調整による再生可能エネルギーの低減とシステムの柔軟性向上に向けた新しいアプローチを示す。
  論文  参考訳（メタデータ） (2020-12-22T18:56:24Z)
• A Multi-Agent Deep Reinforcement Learning Approach for a Distributed Energy Marketplace in Smart Grids [58.666456917115056]
  本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。 提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
  論文  参考訳（メタデータ） (2020-09-23T02:17:51Z)

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。