論文の概要: Vehicle-to-grid for car sharing -- A simulation study for 2030
- arxiv url: http://arxiv.org/abs/2311.07349v2
- Date: Fri, 12 Jul 2024 19:55:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 02:54:11.576467
- Title: Vehicle-to-grid for car sharing -- A simulation study for 2030
- Title（参考訳）: カーシェアリングのための車間グリッド-2030年のシミュレーション研究-
- Authors: Nina Wiedemann, Yanan Xin, Vasco Medici, Lorenzo Nespoli, Esra Suel, Martin Raubal,
- Abstract要約: カーシェアリングシステムは、車両間グリッド(V2G)技術による補助サービスの提供を通じてグリッド安定性を高める上で重要な役割を果たす。
本研究では、スイスにおける全国規模のサービスのための将来のシナリオを設計し、カーシェアリングにおけるV2Gの可能性を分析する。
本研究は意思決定者に対してガイドラインを提供し,カーシェアリングの領域内での電力取引に関する規制強化の必要性を強調した。
- 参考スコア（独自算出の注目度）: 4.142286700293885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of car sharing services in recent years presents a promising avenue for advancing sustainable transportation. Beyond merely reducing car ownership rates, these systems can play a pivotal role in bolstering grid stability through the provision of ancillary services via vehicle-to-grid (V2G) technologies - a facet that has received limited attention in previous research. In this study, we analyze the potential of V2G in car sharing by designing future scenarios for a national-scale service in Switzerland. We propose an agent-based simulation pipeline that considers population changes as well as different business strategies of the car sharing service, and we demonstrate its successful application for simulating scenarios for 2030. To imitate car sharing user behavior, we develop a data-driven mode choice model. Our analysis reveals important differences in the examined scenarios, such as higher vehicle utilization rates for a reduced fleet size as well as in a scenario featuring new car sharing stations. These disparities translate into variations in the power flexibility of the fleet available for ancillary services, ranging from 12 to 50 MW, depending on the scenario and the time of the day. Furthermore, we conduct a case study involving a subset of the car sharing fleet, incorporating real-world electricity pricing data. The case study substantiates the existence of a sweet spot involving monetary gains for both power grid operators and fleet owners. Our findings provide guidelines to decision makers and underscore the pressing need for regulatory enhancements concerning power trading within the realm of car sharing.
- Abstract（参考訳）: 近年のカーシェアリングサービスの普及は、持続可能な輸送を推し進めるための有望な道のりを示している。
単に車の所有率を下げるだけでなく、これらのシステムは車両間通信(V2G)技術による補助サービスの提供を通じてグリッドの安定性を高める上で重要な役割を担っている。
本研究では、スイスにおける全国規模のサービスのための将来のシナリオを設計し、カーシェアリングにおけるV2Gの可能性を分析する。
カーシェアリングサービスのさまざまなビジネス戦略と同様に,人口変動を考慮したエージェントベースシミュレーションパイプラインを提案し,2030年のシナリオシミュレーションにおけるその成功例を示す。
カーシェアリングのユーザ動作を模倣するため,データ駆動型モード選択モデルを開発した。
本分析では, 車両使用率の向上など, 車両の小型化, 新たなシェアリングステーションの設置など, 検討シナリオにおける重要な違いを明らかにした。
これらの格差は、シナリオと日時に応じて、12MWから50MWまでのアシラリーサービスで利用可能な艦隊の電力柔軟性のバリエーションに変換される。
さらに、実際の電力価格データを組み込んだ、カーシェアリングフリートのサブセットを含むケーススタディも実施する。
このケーススタディは、電力グリッド事業者と艦隊所有者の両方にとって、金銭的利益を伴うスイートスポットの存在を裏付けるものである。
本研究は意思決定者に対してガイドラインを提供し,カーシェアリングの領域内での電力取引に関する規制強化の必要性を強調した。
関連論文リスト
- Shared learning of powertrain control policies for vehicle fleets [3.9325957466009203]
深部強化学習(DRL)は、燃料経済やその他のパフォーマンス指標を最適化するパワートレイン制御ポリシーを現場で学習することを目的としている。
本稿では, 蒸留グループ政策を用いて, 車両群間で共有学習を行うための新しい枠組みを提案する。
ベースラインに比べて燃料経済は平均8.5%改善している。
論文 参考訳（メタデータ） (2024-04-27T13:01:05Z) - Shared lightweight autonomous vehicles for urban food deliveries: A
simulation study [1.5990479272083913]
我々は,軽量自律型フードデリバリー車両の艦隊性能を評価するエージェントベースモデルと環境影響研究を開発した。
結果は、従来の自動車による配送を、共有された軽量自動運転車に置き換える上で、環境的な利点があることを示している。
論文 参考訳（メタデータ） (2024-02-29T15:06:46Z) - A V2X-based Privacy Preserving Federated Measuring and Learning System [0.0]
本稿では,V2V(Var-to-Vehicle)通信を介して,同志の車両にリアルタイムなデータを提供するフェデレート計測学習システムを提案する。
また,交通ネットワークの予測モデルを作成するために,車両ネットワーク(V2N)リンク上で連合学習スキームを運用している。
その結果,提案方式では学習性能が向上し,アグリゲータサーバ側での盗聴を防止することができた。
論文 参考訳（メタデータ） (2024-01-24T23:11:11Z) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳（メタデータ） (2023-10-26T15:42:29Z) - Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳（メタデータ） (2023-04-23T16:01:36Z) - 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) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Weak Signals in the Mobility Landscape: Car Sharing in Ten European
Cities [0.6875312133832077]
当社は、欧州10都市における車両利用率に関するウェブベースのデジタル記録を、主要なアクティブカーシェアリングオペレーターの1つとして使用しています。
カーシェアリング需要の変動と社会デマトグラフィー・都市活動指標の関連について論じる。
論文 参考訳（メタデータ） (2021-09-20T20:37:25Z) - Equilibrium Inverse Reinforcement Learning for Ride-hailing Vehicle
Network [1.599072005190786]
疎結合グラフにおける客車マッチングの問題を定式化する。
マルチエージェント環境における平衡ポリシを導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-13T03:18:44Z) - Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。
車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。
その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文 参考訳（メタデータ） (2020-12-07T02:09:15Z)
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。