論文の概要: Learning-Augmented Scheduling for Solar-Powered Electric Vehicle Charging

• arxiv url: http://arxiv.org/abs/2311.05941v1
• Date: Fri, 10 Nov 2023 08:54:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 15:31:03.798522
• Title: Learning-Augmented Scheduling for Solar-Powered Electric Vehicle Charging
• Title（参考訳）: 太陽光発電充電のための学習強化スケジューリング
• Authors: Tongxin Li
• Abstract要約: 我々は、ソーラーパネルとバッテリーを備えた電気自動車(EV)の充電をスケジューリングする複雑な課題に取り組む。 強化学習(RL)やモデル予測制御(MPC)といった従来のスケジューリング手法では、OODデータに直面すると満足な結果が得られないことが多い。 本稿では,強化学習政策の性能に基づいて,動的ロバスト性予算をリアルタイムで適用した新しい学習強化政策を提案する。
• 参考スコア（独自算出の注目度）: 1.898218128610831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We tackle the complex challenge of scheduling the charging of electric vehicles (EVs) equipped with solar panels and batteries, particularly under out-of-distribution (OOD) conditions. Traditional scheduling approaches, such as reinforcement learning (RL) and model predictive control (MPC), often fail to provide satisfactory results when faced with OOD data, struggling to balance robustness (worst-case performance) and consistency (near-optimal average performance). To address this gap, we introduce a novel learning-augmented policy. This policy employs a dynamic robustness budget, which is adapted in real-time based on the reinforcement learning policy's performance. Specifically, it leverages the temporal difference (TD) error, a measure of the learning policy's prediction accuracy, to assess the trustworthiness of the machine-learned policy. This method allows for a more effective balance between consistency and robustness in EV charging schedules, significantly enhancing adaptability and efficiency in real-world, unpredictable environments. Our results demonstrate that this approach markedly improves scheduling effectiveness and reliability, particularly in OOD contexts, paving the way for more resilient and adaptive EV charging systems.
• Abstract（参考訳）: 我々は、ソーラーパネルとバッテリーを搭載した電気自動車(ev)の充電をスケジューリングする複雑な課題に特にood(out-of-distribution)条件下で対処する。 強化学習(RL)やモデル予測制御(MPC)といった従来のスケジューリング手法では、OODデータに直面すると満足な結果が得られず、堅牢性と一貫性(最適平均性能に近い)のバランスがとれない場合が多い。 このギャップに対処するために,新しい学習指導方針を提案する。 この方針は動的堅牢性予算を採用しており、強化学習政策のパフォーマンスに基づいてリアルタイムで適応される。 具体的には、学習方針の予測精度の尺度である時間差(td)誤差を利用して、機械学習方針の信頼性を評価する。 この方法は、EV充電スケジュールにおける一貫性と堅牢性の間のより効果的なバランスを可能にし、現実の予測不可能な環境における適応性と効率を大幅に向上させる。 提案手法は,特にOODコンテキストにおけるスケジューリング効率と信頼性を著しく向上し,よりレジリエンスで適応的なEV充電システムの実現に寄与することを示す。

関連論文リスト

• Safety-Aware Reinforcement Learning for Electric Vehicle Charging Station Management in Distribution Network [4.842172685255376]
  電気自動車(EV)は、調整がない状態での配電系統の運用に重大なリスクをもたらす。 本稿では、EV充電ステーションの管理を目的とした安全対応強化学習(RL)アルゴリズムを提案する。 提案アルゴリズムは制約違反に対する明示的な罰則に依存しないため,ペナルティチューニング係数は不要である。
  論文  参考訳（メタデータ） (2024-03-20T01:57:38Z)
• Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
  本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。 OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。 この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-11-03T05:41:25Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• 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)
• AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
  オープンソースアプリケーションに機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。 本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
  外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。 我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-09T04:36:38Z)
• SmOOD: Smoothness-based Out-of-Distribution Detection Approach for Surrogate Neural Networks in Aircraft Design [8.51442063220981]
  ハイブリッドサロゲート最適化は、高速な設計評価を提供しながら、高い結果の品質を維持する。 フィードフォワードニューラルネットワーク(FNN)は、高度に非線形な入力出力マッピングをキャプチャし、航空機の性能要因に対する効率的なサロゲートを生成する。 我々は,モデル依存型OODインジケータに最適化されたFNNサロゲートを符号化し,選択的だが信頼性の高いサロゲートモデルを生成することを提案する。
  論文  参考訳（メタデータ） (2022-09-07T19:44:58Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• Efficient Representation for Electric Vehicle Charging Station Operations using Reinforcement Learning [5.815007821143811]
  我々は、EV充電の緊急時、すなわち遅延値に基づくアグリゲーションスキームを開発する。 EVCSの総充電パワーのみを考慮するために、最低遅延第一規則(LLF)が採用されている。 また,同じ最適政策を達成するための等価な状態アグリゲーションを提案する。
  論文  参考訳（メタデータ） (2021-08-07T00:34:48Z)
• Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
  ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。 NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。 本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T01:46:35Z)

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。