論文の概要: Deep Reinforcement Learning Based Framework for Mobile Energy
Disseminator Dispatching to Charge On-the-Road Electric Vehicles
- arxiv url: http://arxiv.org/abs/2308.15656v1
- Date: Tue, 29 Aug 2023 22:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 15:25:40.084334
- Title: Deep Reinforcement Learning Based Framework for Mobile Energy
Disseminator Dispatching to Charge On-the-Road Electric Vehicles
- Title（参考訳）: 道路上電気自動車への移動型エネルギー配信のための深層強化学習に基づく枠組み
- Authors: Jiaming Wang, Jiqian Dong, Sikai Chen, Shreyas Sundaram, Samuel Labi
- Abstract要約: 本稿では,車両配車フレームワークを開発するための深層強化学習手法を提案する。
提案モデルは,最適数のMEDを効率よく展開しながら,EV走行範囲を大幅に向上させることができる。
- 参考スコア（独自算出の注目度）: 3.7313553276292657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The exponential growth of electric vehicles (EVs) presents novel challenges
in preserving battery health and in addressing the persistent problem of
vehicle range anxiety. To address these concerns, wireless charging,
particularly, Mobile Energy Disseminators (MEDs) have emerged as a promising
solution. The MED is mounted behind a large vehicle and charges all
participating EVs within a radius upstream of it. Unfortuantely, during such
V2V charging, the MED and EVs inadvertently form platoons, thereby occupying
multiple lanes and impairing overall corridor travel efficiency. In addition,
constrained budgets for MED deployment necessitate the development of an
effective dispatching strategy to determine optimal timing and locations for
introducing the MEDs into traffic. This paper proposes a deep reinforcement
learning (DRL) based methodology to develop a vehicle dispatching framework. In
the first component of the framework, we develop a realistic reinforcement
learning environment termed "ChargingEnv" which incorporates a reliable
charging simulation system that accounts for common practical issues in
wireless charging deployment, specifically, the charging panel misalignment.
The second component, the Proximal-Policy Optimization (PPO) agent, is trained
to control MED dispatching through continuous interactions with ChargingEnv.
Numerical experiments were carried out to demonstrate the demonstrate the
efficacy of the proposed MED deployment decision processor. The experiment
results suggest that the proposed model can significantly enhance EV travel
range while efficiently deploying a optimal number of MEDs. The proposed model
is found to be not only practical in its applicability but also has promises of
real-world effectiveness. The proposed model can help travelers to maximize EV
range and help road agencies or private-sector vendors to manage the deployment
of MEDs efficiently.
- Abstract（参考訳）: 電気自動車(EV)の指数的な成長は、バッテリーの健康を保ち、車両範囲不安の持続的な問題に対処する上で、新たな課題をもたらす。
これらの懸念に対処するため、ワイヤレス充電、特にMobile Energy Disseminator(MED)が有望なソリューションとして登場した。
MEDは大型車両の後ろに装着され、その上流の半径内ですべてのEVを充電する。
残念なことに、このようなV2V充電の間、MEDとEVは必然的にプラトンを形成し、複数の車線を占有し、回廊走行効率を損なう。
さらに、MEDデプロイメントの制約された予算は、MEDをトラフィックに導入するための最適なタイミングと場所を決定する効果的なディスパッチ戦略の開発を必要とする。
本稿では,車両派遣フレームワークを開発するための深層強化学習(drl)に基づく手法を提案する。
このフレームワークの最初のコンポーネントであるChargingEnvと呼ばれる現実的な強化学習環境を開発し、ワイヤレス充電における一般的な実践的問題、特に充電パネルの誤調整を考慮に入れた信頼性の高い充電シミュレーションシステムを構築した。
第2のコンポーネントであるPPO(Proximal-Policy Optimization)エージェントは、ChargingEnvとの継続的なインタラクションを通じてMEDディスパッチを制御するように訓練されている。
提案したMEDデプロイメント決定プロセッサの有効性を示すための数値実験を行った。
実験結果から,提案モデルは最適数のmedを効率的に配置しながらev走行範囲を大幅に向上できることが示唆された。
提案モデルの適用性は実用的であるだけでなく,実世界の有効性も期待できる。
提案したモデルは、旅行者がEVの範囲を最大化し、道路代理店や民間業者がMEDの展開を効率的に管理するのに役立つ。
関連論文リスト
- Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。
本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。
以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
論文 参考訳（メタデータ） (2024-04-18T21:50:03Z) - 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) - A new Hyper-heuristic based on Adaptive Simulated Annealing and
Reinforcement Learning for the Capacitated Electric Vehicle Routing Problem [9.655068751758952]
都市部では環境汚染と地球温暖化を減らすために電気自動車(EV)が採用されている。
社会と経済の持続可能性に影響を与え続けているラストマイルロジスティクスの軌道をルーティングするのにはまだ不足がある。
本稿では,高ヒューリスティック適応アニーリングと強化学習というハイパーヒューリスティックなアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-07T11:10:38Z) - Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT
Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement
Learning Approach [56.84948632954274]
本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。
本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。
提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
論文 参考訳（メタデータ） (2021-12-20T15:45:28Z) - 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) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。
エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。
UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文 参考訳（メタデータ） (2021-03-03T20:54:19Z) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。