論文の概要: Smart Ride and Delivery Services with Electric Vehicles: Leveraging Bidirectional Charging for Profit Optimisation
- arxiv url: http://arxiv.org/abs/2506.20401v1
- Date: Wed, 25 Jun 2025 13:15:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 21:00:42.743116
- Title: Smart Ride and Delivery Services with Electric Vehicles: Leveraging Bidirectional Charging for Profit Optimisation
- Title（参考訳）: 電気自動車によるスマートライドと配車サービス:利益最適化のための双方向充電の活用
- Authors: Jinchun Du, Bojie Shen, Muhammad Aamir Cheema, Adel N. Toosi,
- Abstract要約: V2G(EVOP-V2G)を用いた電気自動車のオリエンテーリング問題について紹介する。
これには、動的電気価格のナビゲート、充電ステーションの選択、ルートの制約が含まれる。
1つの進化的(EA)と、大近傍探索(LNS)に基づく2つの準最適メタヒューリスティックアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 8.899491864225464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rising popularity of electric vehicles (EVs), modern service systems, such as ride-hailing delivery services, are increasingly integrating EVs into their operations. Unlike conventional vehicles, EVs often have a shorter driving range, necessitating careful consideration of charging when fulfilling requests. With recent advances in Vehicle-to-Grid (V2G) technology - allowing EVs to also discharge energy back to the grid - new opportunities and complexities emerge. We introduce the Electric Vehicle Orienteering Problem with V2G (EVOP-V2G): a profit-maximization problem where EV drivers must select customer requests or orders while managing when and where to charge or discharge. This involves navigating dynamic electricity prices, charging station selection, and route constraints. We formulate the problem as a Mixed Integer Programming (MIP) model and propose two near-optimal metaheuristic algorithms: one evolutionary (EA) and the other based on large neighborhood search (LNS). Experiments on real-world data show our methods can double driver profits compared to baselines, while maintaining near-optimal performance on small instances and excellent scalability on larger ones. Our work highlights a promising path toward smarter, more profitable EV-based mobility systems that actively support the energy grid.
- Abstract（参考訳）: 電気自動車(EV)の人気が高まっている中、配車サービスなどの近代的なサービスシステムは、EVを事業に組み入れている。
従来の車両とは異なり、EVは運転距離が短く、要求を満たす際には充電を慎重に考慮する必要がある。
V2Gテクノロジーの最近の進歩により、EVはグリッドにエネルギーを戻すことができるようになり、新たな機会と複雑さが出現する。
V2G(EVOP-V2G)を用いた電気自動車オリエンテーリング問題(EVOP-V2G)を導入する。
これには、動的電気価格のナビゲート、充電ステーションの選択、ルートの制約が含まれる。
この問題を混合整数計画法(MIP)モデルとして定式化し,大近傍探索法(LNS)に基づく進化的メタヒューリスティックアルゴリズム(EA)と大近傍探索法(LNS)の2つの近似メタヒューリスティックアルゴリズムを提案する。
実世界のデータを用いた実験では,小型インスタンスのほぼ最適性能と大規模インスタンスのスケーラビリティを両立させながら,ベースラインに比べてドライバの利益を2倍にすることができることがわかった。
私たちの研究は、エネルギグリッドを積極的にサポートする、よりスマートで収益性の高いEVベースのモビリティシステムへの、有望な道のりを強調しています。
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) - Electric Vehicles coordination for grid balancing using multi-objective
Harris Hawks Optimization [0.0]
再生可能エネルギーの台頭は、地域グリッドのエネルギー収支に技術的および運用上の課題をもたらす電気自動車(EV)へのシフトと一致している。
複数のEVからグリッドへの電力フローの調整には、高度なアルゴリズムとロードバランシング戦略が必要である。
本稿では,安定した電力供給と安定したローカルグリッドの維持を目標として,一日のEVフリート調整モデルを提案する。
論文 参考訳（メタデータ） (2023-11-24T15:50:37Z) - 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) - $\textit{e-Uber}$: A Crowdsourcing Platform for Electric Vehicle-based
Ride- and Energy-sharing [2.2463154358632473]
EVの普及を利用して、e-Uberと呼ばれるクラウドソーシングプラットフォームを実現する。
e-Uberは空間的クラウドソーシング、強化学習、リバースオークション理論を利用している。
e-Uberは最適に近いパフォーマンスを示し、最先端のアプローチよりも優れたソリューションを見出す。
論文 参考訳（メタデータ） (2023-03-31T04:28:31Z) - 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 Multi-Objective approach to the Electric Vehicle Routing Problem [0.0]
電気自動車ルーティング問題(EVRP)は、燃料ベースの車からより健康的で効率的な電気自動車(EV)に移行するために、研究者や工業者から大きな関心を集めている。
以前の作業では、ロジスティクスや配送関連のソリューションをターゲットにしており、複数の停止を行った後、同質の商用EVが最初のポイントに戻らなければならない。
我々は、旅行時間と充電の累積コストを最小化する多目的最適化を行う。
論文 参考訳（メタデータ） (2022-08-26T05:09:59Z) - A Reinforcement Learning Approach for Electric Vehicle Routing Problem
with Vehicle-to-Grid Supply [2.6066825041242367]
EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。
RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
論文 参考訳（メタデータ） (2022-04-12T06:13:06Z) - 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) - Risk Adversarial Learning System for Connected and Autonomous Vehicle
Charging [43.42105971560163]
我々は、コネクテッドかつ自律的な自動車充電インフラ(CAV-CI)のための合理的意思決定支援システム(RDSS)の設計について検討する。
検討されたCAV-CIでは、配電系統オペレーター(DSO)が電気自動車供給装置(EVSE)を配備し、人間駆動のコネクテッドカー(CV)と自動運転車(AV)のためのEV充電設備を提供する。
人力EVによる充電要求は、実際の需要よりもエネルギーと充電時間を必要とすると不合理になる。
我々は,CAV-CIが解決する新たなリスク対向型マルチエージェント学習システム(ALS)を提案する。
論文 参考訳（メタデータ） (2021-08-02T02:38:15Z) - 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)
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。