論文の概要: On the modular platoon-based vehicle-to-vehicle electric charging problem
- arxiv url: http://arxiv.org/abs/2511.16547v1
- Date: Thu, 20 Nov 2025 17:00:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-21 17:08:52.740312
- Title: On the modular platoon-based vehicle-to-vehicle electric charging problem
- Title（参考訳）: モジュラー小隊による車両間充電問題について
- Authors: Zhexi Fu, Joseph Y. J. Chow,
- Abstract要約: モジュラー車(MV)用に設計された小隊型車間充電(PV2VC)技術のための混合整数線形プログラム(MILP)を定式化する。
PV2VC技術は、エネルギー消費の最大11.07%、旅行時間の11.65%、総コストの11.26%を節約できることを示した。
PV2VCの運用シナリオでは、低初期状態の長距離車両路線、低充電設備、旅行時間がエネルギー消費コストよりも高いと見なされる場合、より有益である。
- 参考スコア（独自算出の注目度）: 1.7403133838762448
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We formulate a mixed integer linear program (MILP) for a platoon-based vehicle-to-vehicle charging (PV2VC) technology designed for modular vehicles (MVs) and solve it with a genetic algorithm (GA). A set of numerical experiments with five scenarios are tested and the computational performance between the commercial software applied to the MILP model and the proposed GA are compared on a modified Sioux Falls network. By comparison with the optimal benchmark scenario, the results show that the PV2VC technology can save up to 11.07% in energy consumption, 11.65% in travel time, and 11.26% in total cost. For the PV2VC operational scenario, it would be more beneficial for long-distance vehicle routes with low initial state of charge, sparse charging facilities, and where travel time is perceived to be higher than energy consumption costs.
- Abstract（参考訳）: モジュラー車(MV)用に設計された小隊型車両間充電(PV2VC)技術のための混合整数線形プログラム(MILP)を定式化し,遺伝的アルゴリズム(GA)を用いて解く。
5つのシナリオを用いた数値実験を行い,MILPモデルに適用した商用ソフトウェアとGAの計算性能を改良したスーフォールズネットワークで比較した。
最適なベンチマークシナリオと比較すると、PV2VC技術はエネルギー消費の最大11.07%、旅行時間11.65%、総コスト11.26%を節約できる。
PV2VCの運用シナリオでは、低初期状態の長距離車両路線、低充電設備、旅行時間がエネルギー消費コストよりも高いと見なされる場合、より有益である。
関連論文リスト
- Smart Ride and Delivery Services with Electric Vehicles: Leveraging Bidirectional Charging for Profit Optimisation [8.899491864225464]
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。
論文 参考訳（メタデータ） (2025-06-25T13:15:52Z) - Profiling Electric Vehicles via Early Charging Voltage Patterns [56.4040698609393]
電気自動車(EV)は、燃料駆動車に代わる持続可能な代替手段として急速に普及している。
近年の結果,攻撃者はリレー攻撃によってエネルギーを盗む可能性が示唆された。
1つの対策は、充電中に交換された電流でEVの指紋を活用することだ。
論文 参考訳（メタデータ） (2025-06-09T12:57:37Z) - Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - 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) - Dial-a-ride problem with modular platooning and en-route transfers [0.0]
このような技術で需要に敏感な輸送車両群は、乗客をドアからドアへ向かわせたり、小隊同士を低コストで移動させたりすることができる。
混合整数線形プログラミング(MILP)モデルは、この「モジュラーダイアル・ア・ライド問題」を解決するために定式化される。
MDARPの正確な解間の最適性ギャップと計算時間を評価するために, 小型合成数値実験のセットを試験した。
論文 参考訳（メタデータ） (2022-12-01T05:29:46Z) - 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) - Improving Operational Efficiency In EV Ridepooling Fleets By Predictive
Exploitation of Idle Times [0.0]
Idle Time Exploitation (ITX) と呼ばれる1つのオペレーターによる配車サービスのリアルタイム予測充電方式を提案する。
ITXは、車両がアイドル状態にある期間を予測し、これらの期間を利用してエネルギーを収穫する。
グラフ畳み込みネットワーク(Graph Convolutional Networks)と線形代入アルゴリズムを用いて、車両と充電ステーションの最適なペアを考案する。
論文 参考訳（メタデータ） (2022-08-30T08:41:40Z) - 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)
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。