論文の概要: Electric Vehicles coordination for grid balancing using multi-objective
Harris Hawks Optimization
- arxiv url: http://arxiv.org/abs/2311.14563v1
- Date: Fri, 24 Nov 2023 15:50:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 14:33:40.496592
- Title: Electric Vehicles coordination for grid balancing using multi-objective
Harris Hawks Optimization
- Title（参考訳）: 多目的ハリスホークス最適化によるグリッドバランスのための電気自動車コーディネーション
- Authors: Cristina Bianca Pop, Tudor Cioara, Viorica Chifu, Ionut Anghel,
Francesco Bellesini
- Abstract要約: 再生可能エネルギーの台頭は、地域グリッドのエネルギー収支に技術的および運用上の課題をもたらす電気自動車(EV)へのシフトと一致している。
複数のEVからグリッドへの電力フローの調整には、高度なアルゴリズムとロードバランシング戦略が必要である。
本稿では,安定した電力供給と安定したローカルグリッドの維持を目標として,一日のEVフリート調整モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rise of renewables coincides with the shift towards Electrical Vehicles
(EVs) posing technical and operational challenges for the energy balance of the
local grid. Nowadays, the energy grid cannot deal with a spike in EVs usage
leading to a need for more coordinated and grid aware EVs charging and
discharging strategies. However, coordinating power flow from multiple EVs into
the grid requires sophisticated algorithms and load-balancing strategies as the
complexity increases with more control variables and EVs, necessitating large
optimization and decision search spaces. In this paper, we propose an EVs fleet
coordination model for the day ahead aiming to ensure a reliable energy supply
and maintain a stable local grid, by utilizing EVs to store surplus energy and
discharge it during periods of energy deficit. The optimization problem is
addressed using Harris Hawks Optimization (HHO) considering criteria related to
energy grid balancing, time usage preference, and the location of EV drivers.
The EVs schedules, associated with the position of individuals from the
population, are adjusted through exploration and exploitation operations, and
their technical and operational feasibility is ensured, while the rabbit
individual is updated with a non-dominated EV schedule selected per iteration
using a roulette wheel algorithm. The solution is evaluated within the
framework of an e-mobility service in Terni city. The results indicate that
coordinated charging and discharging of EVs not only meet balancing service
requirements but also align with user preferences with minimal deviations.
- Abstract（参考訳）: 再生可能エネルギーの台頭は、地域グリッドのエネルギー収支に技術的および運用上の課題をもたらす電気自動車(EV)への移行と一致する。
現在、エネルギーグリッドはEVの利用の急増に対応できないため、より協調的でグリッドを意識したEV充電および放電戦略が必要になる。
しかし、複数のevからグリッドへの電力の流れの調整には高度なアルゴリズムと負荷分散戦略が必要である。
本稿では,EVの余剰エネルギーを蓄え,エネルギー不足の期間に排出することで,信頼性の高いエネルギー供給を確保し,安定したローカルグリッドを維持することを目的とした,一日のEV艦隊調整モデルを提案する。
最適化問題は、エネルギーグリッドのバランス、時間利用の好み、evドライバの位置に関する基準を考慮したharris hawks optimization(hho)を用いて解決される。
人口からの個人の位置に関連するevsスケジュールは探索および搾取操作によって調整され、その技術的および運用上の実現性が保証される一方、ウサギ個体はルーレットホイールアルゴリズムを用いて、イテレーション毎に選択された非支配evスケジュールで更新される。
このソリューションはテルニ市のe-mobilityサービスのフレームワーク内で評価される。
その結果,EVの配電・配電はサービス要件のバランスを満たすだけでなく,ユーザの好みに合わせて最小限の偏差が生じることがわかった。
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) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - MARL for Decentralized Electric Vehicle Charging Coordination with V2V
Energy Exchange [5.442116840518914]
本稿では、車両間エネルギー交換(V2V)を考慮したEV充電調整について述べる。
本稿では,EV充電とV2Vエネルギー交換を協調するマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳（メタデータ） (2023-08-27T14:06:21Z) - 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) - Deep Reinforcement Learning-Based Battery Conditioning Hierarchical V2G
Coordination for Multi-Stakeholder Benefits [3.4529246211079645]
本研究では, 深部強化学習(DRL)とProof of Stakeアルゴリズムに基づく多階層型階層型V2Gコーディネートを提案する。
マルチステークホルダには、電力グリッド、EVアグリゲータ(EVA)、ユーザが含まれており、提案した戦略はマルチステークホルダーのメリットを達成することができる。
論文 参考訳（メタデータ） (2023-08-01T01:19:56Z) - 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) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳（メタデータ） (2022-10-04T08:22:46Z) - A Reinforcement Learning Approach for Electric Vehicle Routing Problem
with Vehicle-to-Grid Supply [2.6066825041242367]
EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。
RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
論文 参考訳（メタデータ） (2022-04-12T06:13:06Z) - 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)
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。