論文の概要: An Automated Framework for Assessing Electric Vehicle Charging Impacts on a Campus Distribution Grid
- arxiv url: http://arxiv.org/abs/2509.16218v1
- Date: Tue, 09 Sep 2025 01:17:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-05 13:27:17.995321
- Title: An Automated Framework for Assessing Electric Vehicle Charging Impacts on a Campus Distribution Grid
- Title（参考訳）: キャンパス配電網における電気自動車充電の影響評価のための自動フレームワーク
- Authors: Mohammadreza Iranpour, Sammy Hamed, Mohammad Rasoul Narimani, Silvia Carpitella, Kourosh Sedghisigarchi, Xudong Jia,
- Abstract要約: 本稿では,カリフォルニア州立大学ノースリッジ校(CSUN)の配電・変圧器に対する電気自動車(EV)充電の影響評価を目的とした,統一的かつ自動化されたフレームワークを提案する。
私たちの主な貢献は、技術的コンピューティングのための高性能プログラミング言語JuliaとEasySimauto.jlパッケージを介してPowerWorld Simulatorを統合する柔軟なテストベッドの開発です。
提案システムは, トランスローディング, フィーダ利用, システム全体のストレスを評価する上で, 有用なツールを提供する。
- 参考スコア（独自算出の注目度）: 0.6978367196609415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a unified and automated framework designed to dynamically assess the impact of electric vehicle (EV) charging on distribution feeders and transformers at California State University, Northridge (CSUN). As EV adoption accelerates, the resulting increase in charging demand imposes additional stress on local power distribution systems. Moreover, the evolving nature of EV load profiles throughout the day necessitates detailed temporal analysis to identify peak loading conditions, anticipate worst-case scenarios, and plan timely infrastructure upgrades. Our main contribution is the development of a flexible testbed that integrates Julia, a high-performance programming language for technical computing, with PowerWorld Simulator via the EasySimauto.jl package. This integration enables seamless modeling, simulation, and analysis of EV charging load profiles and their implications for campus grid infrastructure. The framework leverages a real-world dataset collected from CSUN's EV charging stations, consisting of 15-minute interval measurements over the course of one year. By coupling high-resolution data with dynamic simulations, the proposed system offers a valuable tool for evaluating transformer loading, feeder utilization, and overall system stress. The results support data-driven decision-making for EV infrastructure deployment, load forecasting, and energy management strategies. In addition, the framework allows for scenario-based studies to explore the impact of future increases in EV penetration or changes in charging behavior. Its modular architecture also makes it adaptable to other campus or urban distribution systems facing similar electrification challenges.
- Abstract（参考訳）: 本稿では,カリフォルニア州立大学ノースリッジ校(CSUN)の配電・変圧器における電気自動車(EV)充電の影響を動的に評価する統合的かつ自動化されたフレームワークを提案する。
EVの採用が加速するにつれて、充電需要の増加により、ローカル電力供給システムにさらなるストレスがかかる。
さらに、EV負荷プロファイルの進化する性質は、ピークロード条件を特定し、最悪のシナリオを予測し、タイムリーなインフラストラクチャのアップグレードを計画するために、詳細な時間分析を必要とする。
私たちの主な貢献は、技術的コンピューティングのための高性能プログラミング言語JuliaとEasySimauto.jlパッケージを介してPowerWorld Simulatorを統合する柔軟なテストベッドの開発です。
この統合により、EV充電負荷プロファイルのシームレスなモデリング、シミュレーション、分析と、キャンパスグリッドインフラストラクチャへの影響が実現される。
このフレームワークは、CSUNのEV充電ステーションから収集された実世界のデータセットを活用する。
動的シミュレーションと高分解能データを結合することにより, トランスフォーマー負荷, フィーダ利用, システム全体のストレスを評価する貴重なツールを提供する。
結果は、EVインフラストラクチャのデプロイメント、負荷予測、エネルギー管理戦略のための、データ駆動による意思決定をサポートする。
さらに、このフレームワークはシナリオベースの研究で、EVの浸透や充電行動の変化が将来の増加に与える影響を調査することができる。
モジュラーアーキテクチャは、同様に電化の課題に直面している他のキャンパスや都市の配電システムにも適応できる。
関連論文リスト
- PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - Dynamic Rolling Horizon Optimization for Network-Constrained V2X Value Stacking of Electric Vehicles Under Uncertainties [4.43248614452072]
電気自動車(EV)のコーディネーションは、全車間(V2X)を通じて大きな利益をもたらすことができる
本研究の目的は、V2X価値構築フレームワーク(V2B)、V2G(V2G)、エネルギー取引など)を開発することである。
論文 参考訳（メタデータ） (2025-02-13T13:06:56Z) - Towards Using Machine Learning to Generatively Simulate EV Charging in Urban Areas [1.1434534164449743]
本研究では、限られたデータで都市部における電気自動車(EV)の充電プロファイルを予測することの課題に対処する。
我々のモデルは、ピーク電力需要と日々の負荷を予測し、充電行動に関する洞察を提供する。
論文 参考訳（メタデータ） (2024-12-13T19:55:19Z) - EV-EcoSim: A grid-aware co-simulation platform for the design and
optimization of electric vehicle charging infrastructure [1.3271805797333298]
EV-EcoSimは電気自動車の充電、バッテリーシステム、ソーラー太陽光発電システム、グリッドトランスフォーマー、制御戦略、配電システムを組み合わせたシミュレーションプラットフォームである。
このピソンベースのプラットフォームは、リアルタイム操作のための後退地平線制御スキームと、計画問題のためのワンショット制御スキームを実行することができる。
本研究では,電気自動車充電施設の計画において,電池の完全性は決定を完全に変えることができることを示す。
論文 参考訳（メタデータ） (2024-01-09T18:08:34Z) - 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) - 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。