論文の概要: A Review on AI Algorithms for Energy Management in E-Mobility Services
- arxiv url: http://arxiv.org/abs/2309.15140v1
- Date: Tue, 26 Sep 2023 16:34:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 18:19:03.048661
- Title: A Review on AI Algorithms for Energy Management in E-Mobility Services
- Title(参考訳): E-Mobility Servicesにおけるエネルギー管理のためのAIアルゴリズムの検討
- Authors: Sen Yan, Maqsood Hussain Shah, Ji Li, Noel O'Connor and Mingming Liu
- Abstract要約: エモービリティ(E-mobility、電気モビリティ)は、環境や持続可能性の懸念に対処するための重要なソリューションとして登場した。
本稿では,e-mobilityシステムにおける効率的なエネルギー管理に関する様々な課題に,人工知能(AI)が取り組む可能性を探究する。
- 参考スコア(独自算出の注目度): 4.084938013041068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: E-mobility, or electric mobility, has emerged as a pivotal solution to
address pressing environmental and sustainability concerns in the
transportation sector. The depletion of fossil fuels, escalating greenhouse gas
emissions, and the imperative to combat climate change underscore the
significance of transitioning to electric vehicles (EVs). This paper seeks to
explore the potential of artificial intelligence (AI) in addressing various
challenges related to effective energy management in e-mobility systems (EMS).
These challenges encompass critical factors such as range anxiety, charge rate
optimization, and the longevity of energy storage in EVs. By analyzing existing
literature, we delve into the role that AI can play in tackling these
challenges and enabling efficient energy management in EMS. Our objectives are
twofold: to provide an overview of the current state-of-the-art in this
research domain and propose effective avenues for future investigations.
Through this analysis, we aim to contribute to the advancement of sustainable
and efficient e-mobility solutions, shaping a greener and more sustainable
future for transportation.
- Abstract(参考訳): 電気モビリティ(E-mobility)は、交通セクターにおける環境と持続可能性の懸念に対処するための重要なソリューションとして登場した。
化石燃料の枯渇、温室効果ガスの排出のエスカレート、気候変動と戦うための衝動は、電気自動車(EV)への移行の重要性を強調している。
本稿では,e-mobility system(EMS)におけるエネルギー管理の効率化に関する課題に,人工知能(AI)が取り組む可能性を検討する。
これらの課題は、レンジ不安、充電速度最適化、EVにおけるエネルギー貯蔵の持続性といった重要な要因を含んでいる。
既存の文献を分析して、これらの課題に対処し、EMSにおける効率的なエネルギー管理を可能にする上で、AIが果たす役割を掘り下げる。
私たちの目標は2つある: この研究領域における現在の最先端の概観を提供し、将来の調査のために効果的な道を提案する。
この分析を通じて、よりグリーンで持続可能な輸送の未来を形作る、持続可能で効率的なe-mobilityソリューションの進展に寄与することを目指している。
関連論文リスト
- The Role of Intelligent Transportation Systems and Artificial
Intelligence in Energy Efficiency and Emission Reduction [4.847470451539329]
我々は、将来のエネルギー・排出削減(EER)における知的輸送システム(ITS)と人工知能(AI)の役割を探求する。
具体的には、異なるレベルのITSセンサーがEERの改善に与える影響について論じる。
また、ITSにおけるネットワーク接続の可能性についても検討し、それらがEERをどのように改善するかを例示する。
論文 参考訳(メタデータ) (2024-01-25T23:07:32Z) - HAZARD Challenge: Embodied Decision Making in Dynamically Changing
Environments [93.94020724735199]
HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。
このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
論文 参考訳(メタデータ) (2024-01-23T18:59:43Z) - Strategizing EV Charging and Renewable Integration in Texas [2.429429123532487]
本研究では,テキサス州における電気自動車(EV),再生可能エネルギー,スマートグリッド技術の収束について検討する。
グリッド安定性の懸念、非コーディネート充電パターン、EVと再生可能エネルギー源との複雑な関係に関する研究に焦点が当てられている。
論文 参考訳(メタデータ) (2023-10-25T23:34:25Z) - Recent Progress in Energy Management of Connected Hybrid Electric
Vehicles Using Reinforcement Learning [6.851787321368938]
電気輸送へのシフトは、化石燃料消費に関する環境問題を抑制することを目的としている。
HEVからコネクテッドハイブリッド電気自動車(CHEV)へのエネルギー管理システム(EMS)の進化は、重要なシフトを表している。
このレビューは、将来の持続可能な輸送システムに対するRLベースのソリューションのギャップを橋渡しし、課題、進歩、潜在的貢献を明らかにする。
論文 参考訳(メタデータ) (2023-08-28T14:12:52Z) - AI-based Predictive Analytic Approaches for safeguarding the Future of
Electric/Hybrid Vehicles [0.0]
電気・ハイブリッド車(EHV)は、環境に優しい交通機関の必要性を満たすのに役立つかもしれない。
AIは、EHVエネルギー効率、排出削減、持続可能性を改善することができる。
リモートハイジャック、セキュリティ侵害、不正アクセスはサイバーセキュリティの脆弱性に対処する。
論文 参考訳(メタデータ) (2023-04-26T22:02:11Z) - 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) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - Scientometric Review of Artificial Intelligence for Operations &
Maintenance of Wind Turbines: The Past, Present and Future [1.370633147306388]
コンディションベースモニタリング(CBM)とタービンの性能評価・分析は、効率的な運転・保守の確保に不可欠である。
データ駆動による意思決定技術は、過去10年間に風力産業におけるこのようなO&Mタスクの急速な進化を目撃してきた。
私たちは、データ可用性と品質における現在の重要な課題、ブラックボックスに飽和したAIモデルの透明性の欠如、そして、リアルタイムな意思決定サポートのためのモデルをデプロイする際の一般的な問題について、未来と現在の展望を提供しています。
論文 参考訳(メタデータ) (2022-03-30T21:42:21Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳(メタデータ) (2021-10-04T19:41:42Z) - Modelling the transition to a low-carbon energy supply [91.3755431537592]
気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。
二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。
排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
論文 参考訳(メタデータ) (2021-09-25T12:37:05Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
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。