論文の概要: Online Decision-Making Under Uncertainty for Vehicle-to-Building Systems

• arxiv url: http://arxiv.org/abs/2601.03476v1
• Date: Wed, 07 Jan 2026 00:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.09668
• Title: Online Decision-Making Under Uncertainty for Vehicle-to-Building Systems
• Title（参考訳）: 車両間通信システムにおける不確実性を考慮したオンライン意思決定
• Authors: Rishav Sen, Yunuo Zhang, Fangqi Liu, Jose Paolo Talusan, Ava Pettet, Yoshinori Suzue, Ayan Mukhopadhyay, Abhishek Dubey,
• Abstract要約: V2Bシステムは、ビルの充電器に接続されたスマートビルや電気自動車(EV)などの物理的なインフラと、エネルギー使用を管理するデジタル制御機構を統合している。 このセットアップはV2B最適化の問題につながり、EV充電と放電を調整し、ユーザの充電要求を満たしながら全体の電力コストを最小化する。
• 参考スコア（独自算出の注目度）: 7.044953600272161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle-to-building (V2B) systems integrate physical infrastructures, such as smart buildings and electric vehicles (EVs) connected to chargers at the building, with digital control mechanisms to manage energy use. By utilizing EVs as flexible energy reservoirs, buildings can dynamically charge and discharge them to optimize energy use and cut costs under time-variable pricing and demand charge policies. This setup leads to the V2B optimization problem, where buildings coordinate EV charging and discharging to minimize total electricity costs while meeting users' charging requirements. However, the V2B optimization problem is challenging because of: (1) fluctuating electricity pricing, which includes both energy charges ($/kWh) and demand charges ($/kW); (2) long planning horizons (typically over 30 days); (3) heterogeneous chargers with varying charging rates, controllability, and directionality (i.e., unidirectional or bidirectional); and (4) user-specific battery levels at departure to ensure user requirements are met. In contrast to existing approaches that often model this setting as a single-shot combinatorial optimization problem, we highlight critical limitations in prior work and instead model the V2B optimization problem as a Markov decision process (MDP), i.e., a stochastic control process. Solving the resulting MDP is challenging due to the large state and action spaces. To address the challenges of the large state space, we leverage online search, and we counter the action space by using domain-specific heuristics to prune unpromising actions. We validate our approach in collaboration with Nissan Advanced Technology Center - Silicon Valley. Using data from their EV testbed, we show that the proposed framework significantly outperforms state-of-the-art methods.
• Abstract（参考訳）: V2Bシステムは、ビルの充電器に接続されたスマートビルや電気自動車(EV)などの物理的なインフラと、エネルギー使用を管理するデジタル制御機構を統合している。 EVをフレキシブルなエネルギー貯水池として利用することで、建物が動的に充電して排出し、エネルギー使用を最適化し、時間的変動のある価格と需要の充電ポリシーの下でコストを削減できる。 このセットアップはV2B最適化の問題につながり、EV充電と放電を調整し、ユーザの充電要求を満たしながら全体の電力コストを最小化する。 しかしながら、V2B最適化問題は、1)エネルギー料金(/kWh)と需要料金(/kW)の両方を含む電力価格の変動、(2)長期計画地平線(典型的には30日以上)、(3)充電速度、制御性、方向(一方向または双方向)の異種充電器(一方向または双方向)、(4)ユーザの要求を満たすための出発時のユーザ固有のバッテリーレベル、などによって困難である。 この設定を単発組合せ最適化問題としてモデル化する既存のアプローチとは対照的に、前処理の限界を強調し、代わりにV2B最適化問題をマルコフ決定プロセス(MDP)、すなわち確率的制御プロセスとしてモデル化する。 結果のMDPの解決は、大きな状態とアクションスペースのために困難である。 大規模状態空間の課題に対処するため,我々はオンライン検索を活用し,ドメイン固有のヒューリスティックスを用いて未解決のアクションを創り出すことで,アクション空間に対処する。 当社のアプローチは日産先端技術センター(シリコンバレー)と共同で検証しています。 EVテストベッドからのデータを用いて,提案手法が最先端の手法を大幅に上回っていることを示す。

関連論文リスト

• CONSENT: A Negotiation Framework for Leveraging User Flexibility in Vehicle-to-Building Charging under Uncertainty [6.820103523878096]
  電気自動車(EV)の成長は、非コーディネート充電による高エネルギーコストに直面している建築事業者と、利便性とフルチャージを優先するドライバーとの衝突を引き起こす。 本稿では、自発的な参加、戦略保護、予算実現性を保証する交渉ベースの枠組みを提案する。 EV充電は、ドライバーに、出発時間や要求された充電状態における控えめな柔軟性に対するインセンティブによって支えられた様々なオプションを提供することによって、戦略的リソースに変換される。
  論文  参考訳（メタデータ） (2026-01-04T15:59:52Z)
• Safe and Sustainable Electric Bus Charging Scheduling with Constrained Hierarchical DRL [43.715336081857394]
  太陽光発電(PV)パネルなどの再生可能エネルギー源を備えた電気バス(EB)は、持続可能な低炭素公共交通を推進するための有望なアプローチである。 本稿では,EB充電スケジューリング問題(EBCSP)を多ソース不確実性下で解決するための安全な深層強化学習フレームワークを提案する。 我々は新しいHDRLアルゴリズム、すなわちDouble ActorCritic MultiAgent Proximal Policy Optimization Lagrangian(DACMAPPO-Lagrangian)を開発した。
  論文  参考訳（メタデータ） (2025-11-25T20:00:02Z)
• 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)
• Uncertainty-Aware Critic Augmentation for Hierarchical Multi-Agent EV Charging Control [9.96602699887327]
  ビルとEVの両方のエネルギー需要を規制する新しいリアルタイム充電制御であるHUCAを提案する。 HUCAは階層的なアクタークリティカルネットワークを使用して、動的価格シナリオにおけるEV充電の必要性を考慮して、建物の電力コストを動的に削減する。 実世界の電気データセットのシミュレーションと不確実な離脱シナリオによる実験により、HUCAは総電力コストにおいてベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2024-12-23T23:45:45Z)
• 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)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。