論文の概要: EV2Gym: A Flexible V2G Simulator for EV Smart Charging Research and Benchmarking
- arxiv url: http://arxiv.org/abs/2404.01849v1
- Date: Tue, 2 Apr 2024 11:22:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-03 16:49:07.442343
- Title: EV2Gym: A Flexible V2G Simulator for EV Smart Charging Research and Benchmarking
- Title（参考訳）: EV2Gym:EVスマート充電研究とベンチマークのための柔軟なV2Gシミュレータ
- Authors: Stavros Orfanoudakis, Cesar Diaz-Londono, Yunus E. Yılmaz, Peter Palensky, Pedro P. Vergara,
- Abstract要約: 本稿では,小型かつ大規模なスマート充電アルゴリズムの開発と評価を目的とした,現実的なシミュレータプラットフォームEV2Gymを紹介する。
提案するシミュレータには, 実データを用いた総合的なEV, 充電ステーション, 電力変換器, EV挙動モデルが格納されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As electric vehicle (EV) numbers rise, concerns about the capacity of current charging and power grid infrastructure grow, necessitating the development of smart charging solutions. While many smart charging simulators have been developed in recent years, only a few support the development of Reinforcement Learning (RL) algorithms in the form of a Gym environment, and those that do usually lack depth in modeling Vehicle-to-Grid (V2G) scenarios. To address the aforementioned issues, this paper introduces the EV2Gym, a realistic simulator platform for the development and assessment of small and large-scale smart charging algorithms within a standardized platform. The proposed simulator is populated with comprehensive EV, charging station, power transformer, and EV behavior models validated using real data. EV2Gym has a highly customizable interface empowering users to choose from pre-designed case studies or craft their own customized scenarios to suit their specific requirements. Moreover, it incorporates a diverse array of RL, mathematical programming, and heuristic algorithms to speed up the development and benchmarking of new solutions. By offering a unified and standardized platform, EV2Gym aims to provide researchers and practitioners with a robust environment for advancing and assessing smart charging algorithms.
- Abstract（参考訳）: 電気自動車(EV)の数が増加するにつれて、現在の充電能力と電力グリッドインフラの容量に対する懸念が高まり、スマート充電ソリューションの開発が必要とされる。
近年、多くのスマート充電シミュレータが開発されているが、Gym環境の形で強化学習(Reinforcement Learning, RL)アルゴリズムの開発をサポートするのはごくわずかである。
上記の問題に対処するため,本研究では,小型かつ大規模なスマート充電アルゴリズムを標準化されたプラットフォーム内で開発・評価するための,現実的なシミュレータプラットフォームEV2Gymを紹介する。
提案するシミュレータには, 実データを用いた総合的なEV, 充電ステーション, 電力変換器, EV挙動モデルが格納されている。
EV2Gymにはカスタマイズ可能なインターフェースがあり、ユーザーは事前に設計されたケーススタディを選択できる。
さらに、新しいソリューションの開発とベンチマークを高速化するために、RL、数学的プログラミング、ヒューリスティックアルゴリズムの多種多様な配列が組み込まれている。
EV2Gymは、統一された標準化されたプラットフォームを提供することで、研究者や実践者にスマート充電アルゴリズムの進歩と評価のための堅牢な環境を提供することを目指している。
関連論文リスト
- Quantum-Powered Optimization for Electric Vehicle Charging Infrastructure Deployment [3.406797377411835]
電気自動車充電ステーションの最適配置を特定する数学的モデルを開発した。
このモデルは実世界のケーススタディを用いて検証され、D-Waveから市販の量子コンピュータを用いて解決される。
論文 参考訳（メタデータ） (2024-11-11T03:03:20Z) - The Roles of Generative Artificial Intelligence in Internet of Electric Vehicles [65.14115295214636]
我々は特に、電気自動車のインターネット(IoEV)について検討し、GenAI for IoEVを4つの異なる層に分類する。
IoEVアプリケーションの各レイヤで使用されるさまざまなGenAI技術を紹介します。
GenAIモデルのトレーニングに利用可能なパブリックデータセットを要約する。
論文 参考訳（メタデータ） (2024-09-24T05:12:10Z) - Large Language Model based Agent Framework for Electric Vehicle Charging Behavior Simulation [1.8749305679160366]
本稿では,電気自動車(EV)の充電動作をシミュレーションするための LLM ベースのエージェントフレームワークを提案する。
課金プロセスを最適化するために、ユーザの好み、心理的特徴、環境要因を統合する。
論文 参考訳（メタデータ） (2024-08-03T03:52:05Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - 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) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - EVBattery: A Large-Scale Electric Vehicle Dataset for Battery Health and
Capacity Estimation [15.169440280225647]
電気自動車(EV)は二酸化炭素排出量を減らす上で重要な役割を果たしている。
EVの採用が加速するにつれ、EVバッテリーによる安全性の問題が重要な研究トピックとなっている。
この課題に対して,データ駆動方式のベンチマークと開発を行うため,EVバッテリの大規模かつ包括的なデータセットを導入する。
我々のデータセットは、実世界のバッテリーデータに関する最初の大規模な公開データセットであり、既存のデータには数台の車両しか含まれていないか、実験室で収集されている。
論文 参考訳（メタデータ） (2022-01-28T10:06:39Z) - An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
本稿では,インテリジェントな自動運転トラックシステムについて紹介する。
提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。
また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
論文 参考訳（メタデータ） (2021-12-31T04:54:13Z) - Learning to Operate an Electric Vehicle Charging Station Considering
Vehicle-grid Integration [4.855689194518905]
本稿では、充電ステーションの利益を最大化するために、新しい集中的アロケーションと分散実行(CADE)強化学習(RL)フレームワークを提案する。
集中配置プロセスでは、EVを待機スポットまたは充電スポットに割り当て、分散実行プロセスでは、各充電器は、共有再生メモリからアクション値関数を学習しながら、独自の充電/放電判定を行う。
数値計算により,提案したCADEフレームワークは計算効率が高く,拡張性も高く,ベースラインモデル予測制御(MPC)よりも優れていた。
論文 参考訳（メタデータ） (2021-11-01T23:10:28Z) - Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。
このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。
文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文 参考訳（メタデータ） (2020-11-04T21:36:59Z) - 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。