論文の概要: Online Dynamic Pricing for Electric Vehicle Charging Stations with Reservations
- arxiv url: http://arxiv.org/abs/2410.05538v2
- Date: Wed, 13 Nov 2024 14:34:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-14 16:08:31.066609
- Title: Online Dynamic Pricing for Electric Vehicle Charging Stations with Reservations
- Title（参考訳）: 保存型電気自動車充電ステーションのオンライン動的価格設定
- Authors: Jan Mrkos, Antonín Komenda, David Fiedler, Jiří Vokřínek,
- Abstract要約: 電気自動車(EV)への移行は、電力網に大きな影響を与える。
従来の燃料源とは異なり、EVの電力はグリッド容量、価格変動、長時間のEV充電時間によって制約される。
本稿では,リザーブドEV充電サービスのオンライン動的価格設定モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.3374875022248865
- License:
- Abstract: The transition to electric vehicles (EVs), coupled with the rise of renewable energy sources, will significantly impact the electric grid. Unlike conventional fuel sources, electricity for EVs is constrained by grid capacity, price fluctuations, and long EV charging times, requiring new pricing solutions to manage demand and supply. This paper proposes a model for online dynamic pricing of reserved EV charging services, including reservation, parking, and charging as a bundled service priced as a whole. Our approach focuses on the individual charging station operator, employing a stochastic demand model and online dynamic pricing based on expected demand. The proposed model uses a Markov Decision Process (MDP) formulation to optimize sequential pricing decisions for charging session requests. A key contribution is the novel definition and quantification of discretization error introduced by the discretization of the Poisson process for use in the MDP. The model's viability is demonstrated with a heuristic solution method based on Monte-Carlo tree search, offering a viable path for real-world application.
- Abstract（参考訳）: 電気自動車(EV)への移行と再生可能エネルギー源の台頭は、電力網に大きな影響を及ぼすだろう。
従来の燃料源とは異なり、EVの電力はグリッド容量、価格変動、長期のEV充電時間によって制約されており、需要と供給を管理するために新しい価格ソリューションが必要である。
本稿では,予約,駐車,充電を含む予約型EV充電サービスのオンライン動的価格設定モデルを提案する。
提案手法は,需要予測に基づく確率的需要モデルとオンライン動的価格モデルを用いて,各充電ステーションオペレータに焦点をあてる。
提案モデルでは,Markov Decision Process (MDP) を定式化して,セッション要求を課金するためのシーケンシャルな価格決定を最適化する。
重要な貢献は、MDPで使われるポアソン過程の離散化によって導入された離散化誤差の新たな定義と定量化である。
このモデルの生存性はモンテカルロ木探索に基づくヒューリスティックな解法を用いて実証され、実世界のアプリケーションに実行可能な経路を提供する。
関連論文リスト
- Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。
各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。
微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
論文 参考訳（メタデータ） (2024-11-01T03:35:04Z) - Learning and Optimization for Price-based Demand Response of Electric Vehicle Charging [0.9124662097191375]
PBDRモデリングのための新しい意思決定型エンドツーエンドフレームワークを提案する。
EV客のPBDRパターンを用いた充電ステーション運転シミュレーションにおける本手法の有効性を評価する。
論文 参考訳（メタデータ） (2024-04-16T06:39:30Z) - 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) - Maximum flow-based formulation for the optimal location of electric
vehicle charging stations [2.340830801548167]
本稿では,EV充電需要を最大フロー問題として駅に割り当てるモデルを提案する。
実世界のシナリオを扱うための我々のアプローチのスケーラビリティを実証し、モントリオール市の方法論を紹介します。
論文 参考訳（メタデータ） (2023-12-10T19:49:09Z) - Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。
この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳（メタデータ） (2023-11-28T15:09:36Z) - 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) - 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 Deep Reinforcement Learning-Based Charging Scheduling Approach with
Augmented Lagrangian for Electric Vehicle [2.686271754751717]
本稿では,EV充電スケジューリング問題を制約付きマルコフ決定過程(CMDP)として定式化する。
本稿では, CMDP を解くために, 安全な非政治強化学習(RL)手法を提案する。
実世界の電力価格を用いた総合的な数値実験により,提案アルゴリズムは高解最適性と制約コンプライアンスを実現することができることを示した。
論文 参考訳（メタデータ） (2022-09-20T14:56:51Z) - Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC
market [62.997667081978825]
EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。
データは2013-2014年の電力価格、2015年のテストデータで提供された。
論文 参考訳（メタデータ） (2020-10-14T12:45:53Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。