論文の概要: Context-Aware Agentic Power Resources Optimisation in EV using Smart2ChargeApp
- arxiv url: http://arxiv.org/abs/2512.12048v1
- Date: Fri, 12 Dec 2025 21:41:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.083029
- Title: Context-Aware Agentic Power Resources Optimisation in EV using Smart2ChargeApp
- Title（参考訳）: Smart2ChargeAppを用いたEVにおけるコンテキスト対応エージェントパワーリソース最適化
- Authors: Muddsair Sharif, Huseyin Seker,
- Abstract要約: 本稿では,Smart2Chargeアプリケーションを通じて,電気自動車(EV)充電エコシステムのコンテキスト依存型マルチエージェントコーディネートを提案する。
提案システムは、250台のEVと45台の充電ステーションのネットワークにまたがる自律充電エージェントを調整する。
当社のマルチエージェントアプローチでは,グラフニューラルネットワークとアテンション機構を統合したDeep Q-Networksを採用している。
- 参考スコア（独自算出の注目度）: 0.5070542698701156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel context-sensitive multi\-agent coordination for dynamic resource allocation (CAMAC-DRA) framework for optimizing smart electric vehicle (EV) charging ecosystems through the Smart2Charge application. The proposed system coordinates autonomous charging agents across networks of 250 EVs and 45 charging stations while adapting to dynamic environmental conditions through context-aware decision-making. Our multi-agent approach employs coordinated Deep Q\-Networks integrated with Graph Neural Networks and attention mechanisms, processing 20 contextual features including weather patterns, traffic conditions, grid load fluctuations, and electricity pricing.The framework balances five ecosystem stakeholders i.e. EV users (25\%), grid operators (20\%), charging station operators (20\%), fleet operators (20%), and environmental factors (15\%) through weighted coordination mechanisms and consensus protocols. Comprehensive validation using real-world datasets containing 441,077 charging transactions demonstrates superior performance compared to baseline algorithms including DDPG, A3C, PPO, and GNN approaches. The CAMAC\-DRA framework achieves 92\% coordination success rate, 15\% energy efficiency improvement, 10\% cost reduction, 20% grid strain decrease, and \2.3x faster convergence while maintaining 88\% training stability and 85\% sample efficiency. Real-world validation confirms commercial viability with Net Present Cost of -\$122,962 and 69\% cost reduction through renewable energy integration. The framework's unique contribution lies in developing context-aware multi-stakeholder coordination that successfully balances competing objectives while adapting to real-time variables, positioning it as a breakthrough solution for intelligent EV charging coordination and sustainable transportation electrification.
- Abstract（参考訳）: 本稿では,Smart2Chargeアプリケーションを通じて電気自動車(EV)充電エコシステムを最適化するための,動的リソース割り当て(CAMAC-DRA)フレームワークのためのコンテキスト依存型マルチエージェント協調手法を提案する。
提案システムは,250台のEVと45台の充電ステーションのネットワークにまたがる自律充電エージェントを協調し,状況に応じた意思決定を通じて動的環境条件に適応する。
筆者らのマルチエージェントアプローチでは,グラフニューラルネットワークとアテンション機構を統合したDeep Q\-Networksを用いて,気象パターン,交通条件,グリッド負荷変動,電力価格など20種類のコンテキスト特性を処理し,EVユーザ (25\%),グリッドオペレータ (20\%),充電ステーションオペレータ (20\%),フリートオペレータ (20%),環境要因 (15\%) の5つのエコシステム利害関係者のバランスをとる。
441,077の課金トランザクションを含む実世界のデータセットを用いた包括的検証は、DDPG、A3C、PPO、GNNアプローチなどのベースラインアルゴリズムよりも優れたパフォーマンスを示している。
CAMAC-DRAフレームワークは、調整成功率92\%、エネルギー効率改善15\%、コスト削減10\%、グリッドひずみ減少20%、および2.3倍高速収束を実現し、トレーニング安定性88\%、サンプル効率85\%を維持している。
実世界の検証は、再生可能エネルギーの統合による純現物コスト-\$122,962 と 69\% のコスト削減による商業的生存性を確認する。
このフレームワークの独特な貢献は、リアルタイム変数に適応しながら競合する目標のバランスを成功させ、インテリジェントなEV充電調整と持続可能な輸送電化のための画期的なソリューションとして位置づける、コンテキスト対応マルチステークホルダ調整の開発である。
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) - Agent-Based Decentralized Energy Management of EV Charging Station with Solar Photovoltaics via Multi-Agent Reinforcement Learning [4.9855485718502015]
電気自動車(EV)の採用は増え続けており、EV充電ステーションのエネルギー管理が極めて重要である。
従来の研究では、グリッド安定性を維持しながらEV充電のエネルギーコストを削減できた。
本稿では,各充電器をエージェントとして扱うマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳（メタデータ） (2025-05-24T15:34:37Z) - 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) - H-FLTN: A Privacy-Preserving Hierarchical Framework for Electric Vehicle Spatio-Temporal Charge Prediction [8.183121832206556]
電気自動車(EV)は、特に充電時間(時間予測)の予測において、エネルギー提供者にとって重要な課題となる
本稿では,これらの課題に対処するための階層型学習トランスフォーマーネットワークフレームワークを紹介する。
現実世界のスマートシティインフラストラクチャとの統合により、エネルギー需要予測、リソース割り当て、グリッド安定性が向上する。
論文 参考訳（メタデータ） (2025-02-25T23:20:53Z) - Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。
本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。
以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
論文 参考訳（メタデータ） (2024-04-18T21:50:03Z) - 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) - 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) - An Efficient Distributed Multi-Agent Reinforcement Learning for EV
Charging Network Control [2.5477011559292175]
本稿では,EV所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。
その結果、CTDEフレームワークは、ネットワークコストを削減し、充電ネットワークの性能を向上させることを示した。
論文 参考訳（メタデータ） (2023-08-24T16:53:52Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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。