論文の概要: Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement
Learning considering End Users Flexibility
- arxiv url: http://arxiv.org/abs/2310.09040v1
- Date: Fri, 13 Oct 2023 12:07:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 13:09:08.514774
- Title: Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement
Learning considering End Users Flexibility
- Title（参考訳）: エンドユーザーフレキシビリティを考慮した深部強化学習による電気自動車充電の最適スケジューリング
- Authors: Christoforos Menos-Aikateriniadis, Stavros Sykiotis, Pavlos S.
Georgilakis
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.3812010983144802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of decentralized energy resources and especially Electric
Vehicles (EV), that are expected to increase sharply over the next decade, will
put further stress on existing power distribution networks, increasing the need
for higher system reliability and flexibility. In an attempt to avoid
unnecessary network investments and to increase the controllability over
distribution networks, network operators develop demand response (DR) programs
that incentivize end users to shift their consumption in return for financial
or other benefits. Artificial intelligence (AI) methods are in the research
forefront for residential load scheduling applications, mainly due to their
high accuracy, high computational speed and lower dependence on the physical
characteristics of the models under development. The aim of this work is to
identify households' EV cost-reducing charging policy under a Time-of-Use
tariff scheme, with the use of Deep Reinforcement Learning, and more
specifically Deep Q-Networks (DQN). A novel end users flexibility potential
reward is inferred from historical data analysis, where households with solar
power generation have been used to train and test the designed algorithm. The
suggested DQN EV charging policy can lead to more than 20% of savings in end
users electricity bills.
- Abstract（参考訳）: 今後10年で急激に増加すると予想されている分散型エネルギー資源、特に電気自動車(ev)の急速な成長は、既存の配電網にさらなるストレスを与え、より高いシステムの信頼性と柔軟性の必要性を増すだろう。
不要なネットワーク投資を回避し、流通ネットワーク上の制御性を高めるために、ネットワークオペレータは、金融その他の利益と引き換えにエンドユーザーが消費をシフトするインセンティブを与える需要応答(dr)プログラムを開発する。
人工知能 (AI) の手法は, 開発中のモデルの物理的特性に高い精度, 高い計算速度, 低い依存度などの理由から, 住宅用負荷スケジューリングアプリケーションの研究の最前線にある。
この研究の目的は、深層強化学習、より具体的には深層q-networks (dqn) を用いて、家庭のevコスト削減料金政策を時間的関税制度の下で特定することである。
新しいエンドユーザの柔軟性 潜在的な報酬は、設計したアルゴリズムを訓練し、テストするために太陽光発電を持つ家庭が使われた歴史的なデータ分析から推測される。
提案されているDQN EV充電ポリシーは、エンドユーザーの電気料金の20%以上の節約につながる可能性がある。
関連論文リスト
- A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in
Smart Grids [0.0]
本研究では、Deep Q-Learningを利用して、マイクログリッド内におけるEVの充電および排出活動のスケジューリングを行うモデルフリーソリューションを提案する。
我々は,EVスケジューリング動作に対する特定の報酬に基づいて状態の値を評価するためにベルマン方程式を適用し,ニューラルネットワークを用いて利用可能な動作に対するQ値とエプシロングレーディアルゴリズムを用いて,目標エネルギープロファイルを満たすために,エクスプロイトと探索のバランスをとる。
論文 参考訳（メタデータ） (2024-01-05T06:04:46Z) - 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) - An Efficient Distributed Multi-Agent Reinforcement Learning for EV
Charging Network Control [2.5477011559292175]
本稿では,EV所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。
その結果、CTDEフレームワークは、ネットワークコストを削減し、充電ネットワークの性能を向上させることを示した。
論文 参考訳（メタデータ） (2023-08-24T16:53:52Z) - DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging
Scheduling in Large-scale Networked Facilities [5.78463306498655]
電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。
現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。
ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
論文 参考訳（メタデータ） (2023-05-18T14:03:47Z) - 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) - Solar Power driven EV Charging Optimization with Deep Reinforcement
Learning [6.936743119804558]
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。
論文 参考訳（メタデータ） (2022-11-17T11:52:27Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - 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) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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。