論文の概要: Impacts of Electric Vehicle Charging Regimes and Infrastructure Deployments on System Performance: An Agent-Based Study

• arxiv url: http://arxiv.org/abs/2603.16961v1
• Date: Tue, 17 Mar 2026 05:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.304773
• Title: Impacts of Electric Vehicle Charging Regimes and Infrastructure Deployments on System Performance: An Agent-Based Study
• Title（参考訳）: 電気自動車充電レジームとインフラ展開がシステム性能に及ぼす影響:エージェントベース研究
• Authors: Jiahua Hu, Hai L. Vu, Wynita Griggs, Hao Wang,
• Abstract要約: 本研究では,3つの帯電状態下での軌道レベル遅延型公共帯電需要を生成するためのエージェント・ベース・モデリング・フレームワークを適用した。 その結果, インフラの設置コストと一般料金の両方を考慮し, システム全体のコストを削減できることが示唆された。
• 参考スコア（独自算出の注目度）: 4.120554235321518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of electric vehicles (EVs) requires more effective charging infrastructure planning. Infrastructure layout not only determines deployment cost, but also reshapes charging behavior and influences overall system performance. In addition, destination charging and en-route charging represent distinct charging regimes associated with different power requirements, which may lead to substantially different infrastructure deployment outcomes. This study applies an agent-based modeling framework to generate trajectory-level latent public charging demand under three charging regimes based on a synthetic representation of the Melbourne (Australia) metropolitan area. Two deployment strategies, an optimization-based approach and a utilization-refined approach, are evaluated across different infrastructure layouts. Results show that utilization-refined deployments reduce total system cost, accounting for both infrastructure deployment cost and user generalized charging cost, with the most significant improvement observed under the combined charging regime. In particular, a more effective allocation of AC slow chargers reshapes destination charging behavior, which in turn reduces unnecessary reliance on en-route charging and lowers detour costs associated with en-route charging. This interaction highlights the behavioral linkage between destination and en-route charging regimes and demonstrates the importance of accounting for user response and multiple charging regimes in charging infrastructure planning.
• Abstract（参考訳）: 電気自動車(EV)の急速な成長には、より効果的な充電インフラ計画が必要である。 インフラストラクチャのレイアウトは、デプロイメントコストを決定するだけでなく、充電の振る舞いを再確認し、システム全体のパフォーマンスに影響を与える。 さらに、目的地の充電とルートの充電は、異なる電力要求に関連する異なる充電体制を表しており、インフラの配置結果がかなり異なる可能性がある。 本研究では,メルボルン(オーストラリア)大都市圏の総合的な表現に基づく3つの帯電体制の下で,軌道レベルの潜在的公共充電需要を生成するためのエージェント・ベース・モデリング・フレームワークを適用した。 2つのデプロイメント戦略、最適化ベースのアプローチと利用改善アプローチが、さまざまなインフラストラクチャレイアウトで評価されている。 その結果, インフラ設置コストとユーザ一般充電コストの両方を考慮し, システム全体のコストを削減し, 統合充電体制下で最も顕著な改善が見られた。 特に、より効果的な交流減速充電器の割り当ては、目的地の充電行動に反するものであり、これにより、遠心充電による不要な依存を低減し、遠心充電に伴う遠心充電コストを低減させる。 この相互作用は、目的地とルートの充電体制間の行動的リンクを強調し、充電インフラ計画におけるユーザ応答と複数の充電体制の会計の重要性を示す。

関連論文リスト

• Large Language Model-Assisted Planning of Electric Vehicle Charging Infrastructure with Real-World Case Study [2.7788865512077225]
  電気自動車(EV)の充電インフラの需要の増加は、大きな計画上の課題を呈している。 EV充電の潜在的な利点、特に充電需要の空間的・時間的パターンの変化に対する応答は、インフラ計画において未探索のままである。 本稿では、投資決定とチャージ代行を協調的に最適化する統合的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:45:10Z)
• HYPE: Hybrid Planning with Ego Proposal-Conditioned Predictions [45.689599596306614]
  Egoの提案条件付き予測を用いたハイブリッドプランニングを提案する。 学習された提案モデルからの多モード軌道提案を事前としてモンテカルロ木探索の改良に統合する。 提案手法を考慮し,コスト関数設計を大幅に単純化する。
  論文  参考訳（メタデータ） (2025-10-14T17:11:04Z)
• Dynamic Speculative Agent Planning [57.630218933994534]
  大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。 本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。 2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
  論文  参考訳（メタデータ） (2025-09-02T03:34:36Z)
• Reinforcement Learning for Hybrid Charging Stations Planning and Operation Considering Fixed and Mobile Chargers [16.831541035603557]
  車両の電気化は、効率的で適応可能な充電インフラに依存している。 固定位置充電ステーションは需要変動による不使用や混雑に悩まされることが多いが、移動充電ステーションは必要に応じて移動することで柔軟性を提供する。 本稿では,都市道路網内の固定充電器と移動充電器を併用したハイブリッド充電インフラの最適計画と運用について検討する。
  論文  参考訳（メタデータ） (2025-06-20T05:51:02Z)
• 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)
• 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)
• Electric Vehicle Charging Infrastructure Planning: A Scalable Computational Framework [5.572792035859953]
  交通システムと送電網のネットワーク規模が増大しているため, 大規模空間における最適充電インフラ計画問題は困難である。 本稿では,密に統合された輸送網と電力網網を網羅する電気自動車充電インフラ計画のためのスケーラブルな計算フレームワークの実証に焦点をあてる。
  論文  参考訳（メタデータ） (2020-11-17T16:48:07Z)

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。