論文の概要: Reinforcement learning for hybrid charging stations planning and operation considering fixed and mobile chargers
- arxiv url: http://arxiv.org/abs/2506.16764v1
- Date: Fri, 20 Jun 2025 05:51:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:05.352258
- Title: Reinforcement learning for hybrid charging stations planning and operation considering fixed and mobile chargers
- Title（参考訳）: 固定・移動型充電器を考慮したハイブリッド充電ステーションの計画と運用のための強化学習
- Authors: Yanchen Zhu, Honghui Zou, Chufan Liu, Yuyu Luo, Yuankai Wu, Yuxuan Liang,
- Abstract要約: 従来の固定位置充電ステーションは、充電需要の動的な性質のために、不使用や混雑といった問題に直面していることが多い。
モバイル充電器はフレキシブルなソリューションとして登場し、これらの需要変動に合わせて移動することができる。
本稿では,都市道路網に固定充電器と移動充電器を統合したハイブリッド充電インフラの最適計画と運用について述べる。
- 参考スコア（独自算出の注目度）: 16.831541035603557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of vehicle electrification, which brings significant societal and environmental benefits, is contingent upon the availability of efficient and adaptable charging infrastructure. Traditional fixed-location charging stations often face issues like underutilization or congestion due to the dynamic nature of charging demand. Mobile chargers have emerged as a flexible solution, capable of relocating to align with these demand fluctuations. This paper addresses the optimal planning and operation of hybrid charging infrastructures, integrating both fixed and mobile chargers within urban road networks. We introduce the Hybrid Charging Station Planning and Operation (HCSPO) problem, which simultaneously optimizes the location and configuration of fixed charging stations and schedules mobile chargers for dynamic operations. Our approach incorporates a charging demand prediction model grounded in Model Predictive Control (MPC) to enhance decision-making. To solve the HCSPO problem, we propose a deep reinforcement learning method, augmented with heuristic scheduling techniques, to effectively bridge the planning of fixed chargers with the real-time operation of mobile chargers. Extensive case studies using real-world urban scenarios demonstrate that our method significantly improves the availability of charging infrastructure and reduces user inconvenience compared to existing solutions and baselines.
- Abstract（参考訳）: 自動車の電気化の成功は、社会的および環境的な大きな利益をもたらし、効率的で適応可能な充電インフラが利用可能になることに繋がる。
従来の固定位置充電ステーションは、充電需要の動的な性質のために、不使用や混雑といった問題に直面していることが多い。
モバイル充電器はフレキシブルなソリューションとして登場し、これらの需要変動に合わせて移動することができる。
本稿では,都市道路網に固定充電器と移動充電器を統合したハイブリッド充電インフラの最適計画と運用について述べる。
本稿では、固定充電ステーションの位置と構成を同時に最適化し、動的操作のための移動充電器をスケジュールするHybrid Charging Station Planning and Operation (HCSPO)問題を紹介する。
提案手法は,モデル予測制御(MPC)に基づく充電需要予測モデルを導入し,意思決定を強化する。
HCSPO問題を解決するために,固定充電器の計画と移動充電器のリアルタイム動作を効果的に橋渡しするために,ヒューリスティックなスケジューリング手法を付加した深層強化学習手法を提案する。
実世界の都市シナリオを用いた大規模なケーススタディでは,既存のソリューションやベースラインに比べて,充電インフラの可用性が大幅に向上し,ユーザの不便さが低減されることが示された。
関連論文リスト
- Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Large Neighborhood Search and Bitmask Dynamic Programming for Wireless Mobile Charging Electric Vehicle Routing Problems in Medical Transportation [5.740535941960799]
ワイヤレス充電電気自動車問題(WMC-EVRP)を提案する。
この問題により、移動充電カート(MCT)を経由した走行中にMTEV(Medidic Transportation Electric Vehicles)を充電することができる。
我々はBit Mask Dynamic Programming (BDP)とLarge Neborhood Search (LNS)を組み合わせた数学的モデルとメタヒューリスティックアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-03-11T14:11:10Z) - 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) - 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 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) - 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) - Reinforcement Learning-based Placement of Charging Stations in Urban
Road Networks [0.0]
我々は、充電ステーション配置問題(PCRL)を解決するための新しいDeep Reinforcement Learningアプローチを設計する。
既存のインフラストラクチャと比較して、待ち時間を最大97%削減し、メリットを最大497%向上することが可能です。
論文 参考訳（メタデータ） (2022-06-13T10:03:32Z) - SPAP: Simultaneous Demand Prediction and Planning for Electric Vehicle
Chargers in a New City [19.95343057352923]
運用データ不足に対するEV充電器の実際の展開前に充電要求を予測することは困難である。
本稿では,この問題を解決するために,同時需要予測・計画(SPAP)を提案する。
SPAPは、現実世界の充電器の展開と比較して、最低でも72.5%の収益を上げている。
論文 参考訳（メタデータ） (2021-10-18T16:42:42Z) - Intelligent Electric Vehicle Charging Recommendation Based on
Multi-Agent Reinforcement Learning [42.31586065609373]
電気自動車(ev)はその環境とエネルギーの持続可能性のために現代の交通システムで選択されている。
多くの都市では、限られた充電インフラとほとんどバランスの取れない充電需要のために、EVドライバーは充電に適した場所を見つけることができません。
公共充電ステーションをインテリジェントに推奨する,マルチエージェント時空間時空間学習(MasterReinforce)というフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-15T06:23:59Z) - 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)
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。