論文の概要: Press Start to Charge: Videogaming the Online Centralized Charging Scheduling Problem

• arxiv url: http://arxiv.org/abs/2601.12543v1
• Date: Sun, 18 Jan 2026 19:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.674688
• Title: Press Start to Charge: Videogaming the Online Centralized Charging Scheduling Problem
• Title（参考訳）: オンライン中央集権型充電スケジューリング問題、動画配信開始
• Authors: Alireza Ghahtarani, Martin Cousineau, Amir-massoud Farahmand, Jorge E. Mendoza,
• Abstract要約: オンライン集中充電スケジューリング問題(OCCSP)について検討する。 この問題において、中央機関は、いつ動的に到着する電気自動車(EV)を充電するかをリアルタイムで判断しなければならない。 私たちはまずそれをゲーミフィケーションし、グリッド上の時間的制約と容量的制約の中で充電ブロックを配置するゲームとしてモデル化します。
• 参考スコア（独自算出の注目度）: 6.285230045232784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the online centralized charging scheduling problem (OCCSP). In this problem, a central authority must decide, in real time, when to charge dynamically arriving electric vehicles (EVs), subject to capacity limits, with the objective of balancing load across a finite planning horizon. To solve the problem, we first gamify it; that is, we model it as a game where charging blocks are placed within temporal and capacity constraints on a grid. We design heuristic policies, train learning agents with expert demonstrations, and improve them using Dataset Aggregation (DAgger). From a theoretical standpoint, we show that gamification reduces model complexity and yields tighter generalization bounds than vector-based formulations. Experiments across multiple EV arrival patterns confirm that gamified learning enhances load balancing. In particular, the image-to-movement model trained with DAgger consistently outperforms heuristic baselines, vector-based approaches, and supervised learning agents, while also demonstrating robustness in sensitivity analyses. These operational gains translate into tangible economic value. In a real-world case study for the Greater Montréal Area (Québec, Canada) using utility cost data, the proposed methods lower system costs by tens of millions of dollars per year over the prevailing practice and show clear potential to delay costly grid upgrades.
• Abstract（参考訳）: オンライン集中充電スケジューリング問題(OCCSP)について検討する。 この問題において、中央機関は、有限計画地平線を越えて負荷のバランスをとることを目的として、キャパシティの制限を受ける、動的に到着する電気自動車(EV)をいつ充電するかをリアルタイムに決定する必要がある。 この問題を解決するために、我々はまずこれをゲーミフィケーションし、すなわち、グリッド上の時間的制約と容量的制約の中で充電ブロックを配置するゲームとしてモデル化する。 我々はヒューリスティックなポリシーを設計し、専門家によるデモンストレーションで学習エージェントを訓練し、データセット・アグリゲーション(DAgger)を用いてそれらを改善する。 理論的な観点から、ゲーミフィケーションはモデル複雑性を減らし、ベクトルベースの定式化よりも厳密な一般化境界が得られることを示す。 複数のEV到着パターンに対する実験では、ゲーミフィケード学習がロードバランシングを促進することが確認されている。 特に、DAggerで訓練された画像間移動モデルは、感度分析の堅牢性を示すとともに、ヒューリスティックベースライン、ベクトルベースアプローチ、教師付き学習エージェントを一貫して上回る。 これらの運用上の利益は、具体的な経済価値に変換される。 カナダ・ケベック州グレーター・モントリオール地域(英語版)における実用コストデータを用いた実世界のケーススタディでは、提案手法は一般的な慣行よりも年数千万ドルのシステムコストを削減し、コストのかかるグリッドのアップグレードを遅らせる可能性を明らかに示している。

関連論文リスト

• Online Decision-Making Under Uncertainty for Vehicle-to-Building Systems [7.044953600272161]
  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。
  論文  参考訳（メタデータ） (2026-01-07T00:05:45Z)
• EvoRoute: Experience-Driven Self-Routing LLM Agent Systems [100.64399490164959]
  EvoRouteは、静的で事前定義されたモデルの割り当てを超越する、自己進化型のモデルルーティングパラダイムである。 挑戦的なエージェントベンチマークの実験によると、既製のエージェントシステムに統合されたEvoRouteは、システムのパフォーマンスを維持または向上するだけでなく、実行コストを最大80%削減し、レイテンシを70%以上削減する。
  論文  参考訳（メタデータ） (2026-01-06T04:06:46Z)
• Train Long, Think Short: Curriculum Learning for Efficient Reasoning [51.506559652495476]
  長さ制御推論のためのカリキュラム学習戦略を提案する。 当社の手法は寛大なトークン予算から始まり、トレーニングをしながら徐々に厳格化します。 GSM8K、MATH500、SVAMP、College Math、GSM+の実験は、カリキュラムベースのトレーニングが固定予算ベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-12T13:48:03Z)
• 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)
• How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study [57.97785297481162]
  代表的なCV, NLP, ASRモデルに対して, 異なるゾーン, 大陸, 雲におけるトレーニングの費用とスループットについて検討した。 スポット価格を活用することで、複数の安価なインスタンスでモデルをトレーニングし、より集中的かつ強力なハードウェアと、競争力のある価格でオンデマンドのクラウド製品の両方を台無しにする、新たなコスト効率の方法が実現されることを示す。
  論文  参考訳（メタデータ） (2023-06-05T18:17:37Z)
• DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging Scheduling in Large-scale Networked Facilities [5.78463306498655]
  電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。 現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。 ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
  論文  参考訳（メタデータ） (2023-05-18T14:03:47Z)
• Optimized cost function for demand response coordination of multiple EV charging stations using reinforcement learning [6.37470346908743]
  我々は、複数の充電ステーションを同時に調整するマルコフ決定プロセス(MDP)に基づいて、RLに関する以前の研究に基づいて構築する。 我々は、基本的に、学習した制御ポリシーに対して、柔軟性を提供しない充電需要を常に満たすよう強制するコスト関数の改善を提案する。 提案したバッチRLのQ-iteration実装を,実世界のデータを用いて,オリジナル(コスト)のQ-iteration実装と厳密に比較する。
  論文  参考訳（メタデータ） (2022-03-03T11:22:27Z)
• Learning to Operate an Electric Vehicle Charging Station Considering Vehicle-grid Integration [4.855689194518905]
  本稿では、充電ステーションの利益を最大化するために、新しい集中的アロケーションと分散実行(CADE)強化学習(RL)フレームワークを提案する。 集中配置プロセスでは、EVを待機スポットまたは充電スポットに割り当て、分散実行プロセスでは、各充電器は、共有再生メモリからアクション値関数を学習しながら、独自の充電/放電判定を行う。 数値計算により,提案したCADEフレームワークは計算効率が高く,拡張性も高く,ベースラインモデル予測制御(MPC)よりも優れていた。
  論文  参考訳（メタデータ） (2021-11-01T23:10:28Z)
• 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)

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。