論文の概要: Vehicle-to-Vehicle Charging: Model, Complexity, and Heuristics
- arxiv url: http://arxiv.org/abs/2404.08837v1
- Date: Fri, 12 Apr 2024 22:46:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 18:22:57.689447
- Title: Vehicle-to-Vehicle Charging: Model, Complexity, and Heuristics
- Title(参考訳): 車間充電:モデル、複雑度、ヒューリスティックス
- Authors: Cláudio Gomes, João Paulo Fernandes, Gabriel Falcao, Soummya Kar, Sridhar Tayur,
- Abstract要約: 車両間充電(V2VC)は、最近人気EVに採用されている。
本稿では,EV運転を最適化する際,意思決定者がV2VCを考慮に入れられる新しいV2VCモデルを提案する。
R-V2VCは、実世界の運用や、V2VCのコストと利益を評価する際のシナリオの研究に使用できる。
- 参考スコア(独自算出の注目度): 4.241839874199518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid adoption of Electric Vehicles (EVs) poses challenges for electricity grids to accommodate or mitigate peak demand. Vehicle-to-Vehicle Charging (V2VC) has been recently adopted by popular EVs, posing new opportunities and challenges to the management and operation of EVs. We present a novel V2VC model that allows decision-makers to take V2VC into account when optimizing their EV operations. We show that optimizing V2VC is NP-Complete and find that even small problem instances are computationally challenging. We propose R-V2VC, a heuristic that takes advantage of the resulting totally unimodular constraint matrix to efficiently solve problems of realistic sizes. Our results demonstrate that R-V2VC presents a linear growth in the solution time as the problem size increases, while achieving solutions of optimal or near-optimal quality. R-V2VC can be used for real-world operations and to study what-if scenarios when evaluating the costs and benefits of V2VC.
- Abstract(参考訳): 電気自動車(EV)の急速な普及は、電力網がピーク需要に対応または緩和する上での課題となっている。
電気自動車充電(V2VC)は、最近人気EVに採用され、EVの管理と運用に新たな機会と課題を提起している。
本稿では,EV運転を最適化する際,意思決定者がV2VCを考慮に入れられる新しいV2VCモデルを提案する。
V2VCの最適化はNP-Completeであることが示され、小さな問題でも計算が難しいことが判明した。
R-V2VCは,現実的な大きさの問題を効率的に解くために,結果として生じる一様制約行列を有効活用するヒューリスティックである。
以上の結果から, R-V2VCは, 最適あるいは最適に近い品質の解を達成しつつ, 問題のサイズが大きくなるにつれて, 解時間に線形な成長を示すことが示された。
R-V2VCは実世界の運用に使用することができ、V2VCのコストと利益を評価する際のシナリオを調査することができる。
関連論文リスト
- EV2Gym: A Flexible V2G Simulator for EV Smart Charging Research and Benchmarking [0.0]
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。
論文 参考訳(メタデータ) (2024-04-02T11:22:53Z) - An Image is Worth 1/2 Tokens After Layer 2: Plug-and-Play Inference Acceleration for Large Vision-Language Models [65.37846460916042]
視覚的トークンに対する注意計算は,LVLMの深い層において極めて非効率であることがわかった。
本稿では,計算効率の最適化を目的とした多用途プラグアンドプレイ方式であるFastVを紹介する。
論文 参考訳(メタデータ) (2024-03-11T14:35:32Z) - Vision-RWKV: Efficient and Scalable Visual Perception with RWKV-Like
Architectures [99.20299078655376]
本稿では、NLPフィールドで使用されるRWKVモデルから適応したVision-RWKVを紹介する。
我々のモデルは、スパース入力を効率的に処理し、ロバストなグローバル処理能力を実証するために設計されている。
評価の結果,VRWKVは画像分類におけるViTの性能を超え,高速化とメモリ使用量の削減を図っている。
論文 参考訳(メタデータ) (2024-03-04T18:46:20Z) - VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic
Planning [42.681012361021224]
VADv2は確率計画に基づくエンドツーエンドの駆動モデルである。
ルールベースのラッパーなしでも、完全にエンドツーエンドで安定して実行される。
論文 参考訳(メタデータ) (2024-02-20T18:55:09Z) - ViR: Towards Efficient Vision Retention Backbones [97.93707844681893]
視覚保持ネットワーク(ViR)と呼ばれる新しいコンピュータビジョンモデルを提案する。
ViRは並列および繰り返しの定式化を持ち、高速推論と並列トレーニングと競合性能の最適なバランスをとる。
我々は,様々なデータセットサイズと様々な画像解像度を用いた広範囲な実験により,ViRの有効性を検証した。
論文 参考訳(メタデータ) (2023-10-30T16:55:50Z) - AutoVP: An Automated Visual Prompting Framework and Benchmark [66.5618543577204]
ビジュアルプロンプト(VP)は、様々な下流画像分類タスクを解決するために、事前訓練された視覚モデルを適用するための、パラメータ効率の高い微調整手法である。
本稿では,VP設計選択を自動化するエンドツーエンド拡張可能なフレームワークであるAutoVPと,12のダウンストリーム画像分類タスクを提案する。
実験の結果,AutoVPは,現在よく知られているVP手法よりもかなり優れていることがわかった。
論文 参考訳(メタデータ) (2023-10-12T14:55:31Z) - Deep Reinforcement Learning Algorithms for Hybrid V2X Communication: A
Benchmarking Study [39.214784277182304]
本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いて,V2Xにおける垂直ハンドオーバ問題に対処する。
ベンチマークアルゴリズムは、V-VLCヘッドライトの冗長性と使用率の観点から、現在の最先端アプローチよりも優れている。
論文 参考訳(メタデータ) (2023-10-04T12:32:14Z) - V2V4Real: A Real-world Large-scale Dataset for Vehicle-to-Vehicle
Cooperative Perception [49.7212681947463]
車両から車両への協調認識システム(V2V)は、自動運転産業に革命をもたらす大きな可能性を秘めている。
V2V4Realは、V2V知覚のための世界初の大規模実世界のマルチモーダルデータセットである。
我々のデータセットは、20KのLiDARフレーム、40KのRGBフレーム、240Kの注釈付き5クラスの3Dバウンディングボックス、HDMapからなる410kmの走行領域をカバーしている。
論文 参考訳(メタデータ) (2023-03-14T02:49:20Z) - V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision
Transformer [58.71845618090022]
我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。
V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。
我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
論文 参考訳(メタデータ) (2022-03-20T20:18:25Z) - Deep Reinforcement Learning for Electric Vehicle Routing Problem with
Time Windows [2.1399409016552347]
EVRPTWを解くために,エンドツーエンドの深層強化学習フレームワークを提案する。
特に,ポインタネットワークとグラフ埋め込みを取り入れたアテンションモデルを構築し,EVRPTWの解法をパラメータ化する。
本研究では,既存の手法では解けない大規模のEVRPTWインスタンスを効率的に解けることを示す。
論文 参考訳(メタデータ) (2020-10-05T15:06:02Z)
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。