論文の概要: EV-EcoSim: A grid-aware co-simulation platform for the design and
optimization of electric vehicle charging infrastructure
- arxiv url: http://arxiv.org/abs/2401.04705v1
- Date: Tue, 9 Jan 2024 18:08:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 14:57:55.152760
- Title: EV-EcoSim: A grid-aware co-simulation platform for the design and
optimization of electric vehicle charging infrastructure
- Title（参考訳）: ev-ecosim:電気自動車充電インフラストラクチャの設計と最適化のためのグリッドアウェア共シミュレーションプラットフォーム
- Authors: Emmanuel Balogun, Elizabeth Buechler, Siddharth Bhela, Simona Onori,
and Ram Rajagopal
- Abstract要約: EV-EcoSimは電気自動車の充電、バッテリーシステム、ソーラー太陽光発電システム、グリッドトランスフォーマー、制御戦略、配電システムを組み合わせたシミュレーションプラットフォームである。
このピソンベースのプラットフォームは、リアルタイム操作のための後退地平線制御スキームと、計画問題のためのワンショット制御スキームを実行することができる。
本研究では,電気自動車充電施設の計画において,電池の完全性は決定を完全に変えることができることを示す。
- 参考スコア（独自算出の注目度）: 1.3271805797333298
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To enable the electrification of transportation systems, it is important to
understand how technologies such as grid storage, solar photovoltaic systems,
and control strategies can aid the deployment of electric vehicle charging at
scale. In this work, we present EV-EcoSim, a co-simulation platform that
couples electric vehicle charging, battery systems, solar photovoltaic systems,
grid transformers, control strategies, and power distribution systems, to
perform cost quantification and analyze the impacts of electric vehicle
charging on the grid. This python-based platform can run a receding horizon
control scheme for real-time operation and a one-shot control scheme for
planning problems, with multi-timescale dynamics for different systems to
simulate realistic scenarios. We demonstrate the utility of EV-EcoSim through a
case study focused on economic evaluation of battery size to reduce electricity
costs while considering impacts of fast charging on the power distribution
grid. We present qualitative and quantitative evaluations on the battery size
in tabulated results. The tabulated results delineate the trade-offs between
candidate battery sizing solutions, providing comprehensive insights for
decision-making under uncertainty. Additionally, we demonstrate the
implications of the battery controller model fidelity on the system costs and
show that the fidelity of the battery controller can completely change
decisions made when planning an electric vehicle charging site.
- Abstract（参考訳）: 送電システムの電化を実現するためには,グリッドストレージや太陽光発電システム,制御戦略といった技術が電気自動車の大規模展開にどのように役立つかを理解することが重要である。
本研究では,電気自動車の充電,バッテリーシステム,太陽光発電システム,グリッドトランスフォーマ,制御戦略,配電システムを組み合わせた共同シミュレーションプラットフォームであるev-ecosimを提案する。
このpythonベースのプラットフォームは、リアルタイム操作のための後退地平線制御スキームと、問題計画のためのワンショット制御スキームを実行することができる。
電力系統における高速充電の影響を考慮しつつ、電力コスト削減のための電池容量の経済評価に焦点をあてたケーススタディにより、ev-ecosimの有用性を実証する。
集計結果において,電池容量の質的,定量的評価を行った。
集計された結果は、候補バッテリーサイズソリューション間のトレードオフを示し、不確実性下での意思決定に関する包括的な洞察を提供する。
さらに,バッテリコントローラモデルの忠実性がシステムコストに与える影響を実証し,電気自動車の充電サイトを計画する場合,バッテリコントローラの忠実性が決定を完全に変えられることを示す。
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) - 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) - 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) - 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) - Overcoming limited battery data challenges: A coupled neural network
approach [0.0]
深層ニューラルネットワークを用いた時系列バッテリデータ拡張手法を提案する。
あるモデルはバッテリ充電プロファイルを生成し、別のモデルはバッテリ放電プロファイルを生成する。
その結果,バッテリーデータに制限がある場合の問題点を解消するために,本手法の有効性が示された。
論文 参考訳（メタデータ） (2021-10-05T16:17:19Z) - Optimizing a domestic battery and solar photovoltaic system with deep
reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。
本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文 参考訳（メタデータ） (2021-09-10T10:59:14Z) - Electric Vehicle Charging Infrastructure Planning: A Scalable
Computational Framework [5.572792035859953]
交通システムと送電網のネットワーク規模が増大しているため, 大規模空間における最適充電インフラ計画問題は困難である。
本稿では,密に統合された輸送網と電力網網を網羅する電気自動車充電インフラ計画のためのスケーラブルな計算フレームワークの実証に焦点をあてる。
論文 参考訳（メタデータ） (2020-11-17T16:48:07Z) - State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural
Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。
本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文 参考訳（メタデータ） (2020-09-20T23:47:11Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z)
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。