論文の概要: Emission-Aware Reinforcement Learning for Sustainable Electric Vehicle Charging and Carbon Dioxide Reduction Under Varying Renewable Penetration

• arxiv url: http://arxiv.org/abs/2605.24543v1
• Date: Sat, 23 May 2026 12:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.223919
• Title: Emission-Aware Reinforcement Learning for Sustainable Electric Vehicle Charging and Carbon Dioxide Reduction Under Varying Renewable Penetration
• Title（参考訳）: 持続的電気自動車充電と二酸化炭素削減のための再生可能浸透下でのエミッションアウェア強化学習
• Authors: Ninglin Ou, Mohammad A. Razzaque, Iftekher Islam Shovon, Shafkat Khan Siam, Shafiuzzaman K Khadem, Krishnendu Guha, Mayeen U Khandaker, Md. Noor-A-Rahim,
• Abstract要約: 電気自動車(EV)の採用は、ピーク負荷のスパイク、電圧不安定性、および非コーディネート充電によるトランスフォーマー過負荷を通じて電力分配ネットワークに挑戦する。 既存の手法では、リアルタイムの炭素強度や変動する再生可能エネルギー(RE)を主要なスケジューリング目的として扱うことは稀である。 本稿では,SAC(Soft Actor Critic)アルゴリズムをベースとした,炭素排出量の削減,現場での再生可能エネルギーの削減,ユーザ需要の未達成といった,多目的報酬を用いた発光対応RL戦略を提案する。
• 参考スコア（独自算出の注目度）: 1.4498318750453458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of Electric Vehicle (EV) adoption challenges power distribution networks through peak load spikes, voltage instability, and transformer overloads from uncoordinated charging. While Model Predictive Control (MPC) and standard Reinforcement Learning (RL) methods have addressed these issues, existing approaches rarely treat real-time carbon intensity or fluctuating renewable energy (RE) availability as primary scheduling objectives, leaving substantial decarbonisation potential unrealised. This paper proposes an emission-aware RL strategy based on the Soft Actor Critic (SAC) algorithm, with a multi-objective reward that penalises carbon emissions, curtailed on-site renewables, and unmet user demand. The agent is trained within a unified benchmarking framework on the EV2Gym platform, incorporating behind-the-meter solar and wind profiles, time-varying EirGrid carbon intensity data, and realistic workplace EV behaviour across 25 Electric Vehicle Supply Equipment (EVSE) units. Nine control strategies, including heuristics, emission-aware MPC variants, and the proposed RL agent, are compared under five renewable penetration scenarios (0%-50%) over ten independent runs each. The RL agent achieves a carbon intensity as low as 23.96 grams of carbon dioxide per kilowatt-hour under 50% wind penetration, representing up to 87% emission reduction versus the uncontrolled baseline, and outperforms the external graph-based Power Distribution Network (PDN) benchmark. Transformer overload remains below 7 kWh across scenarios, against up to 1093 kWh for the As Fast As Possible (AFAP) heuristic, and renewable self-consumption reaches 52% under combined wind and solar supply. Embedding carbon intensity forecasts into the RL state and reward aligns charging with low-emission periods while preserving grid compliance and user satisfaction.
• Abstract（参考訳）: 電気自動車(EV)の急速な普及は、ピーク負荷のスパイク、電圧不安定性、および非コーディネート充電によるトランスフォーマー過負荷を通じて電力流通ネットワークに挑戦する。 モデル予測制御 (MPC) と標準強化学習 (RL) の手法はこれらの問題に対処しているが、既存の手法ではリアルタイムの炭素強度や再生可能エネルギー (RE) の可用性を主要なスケジューリング目的として扱うことは稀であり、実質的な脱炭の可能性は未実現のままである。 本稿では,SAC(Soft Actor Critic)アルゴリズムをベースとした,炭素排出量の削減,現場での再生可能エネルギーの削減,ユーザ需要の未達成といった,多目的報酬を用いた発光対応RL戦略を提案する。 このエージェントは、EV2Gymプラットフォーム上の統一されたベンチマークフレームワーク内で訓練され、太陽と風の裏面のプロファイル、時間変化のEirGrid炭素強度データ、および25の電気自動車供給装置(EVSE)ユニットにわたる現実的な職場EVの振る舞いが組み込まれている。 ヒューリスティックス、エミッション対応MPC変異体、提案するRLエージェントを含む9つの制御戦略を、それぞれ10回の独立ランに対して5つの再生可能浸透シナリオ(0%-50%)で比較した。 RLエージェントは、風速50%以下でキロワット時あたり23.96グラムの二酸化炭素を吸収し、制御されていないベースラインに対して最大87%の排出量削減を達成し、外部グラフベースの電力分配ネットワーク(PDN)ベンチマークを上回っている。 トランスフォーマーの過負荷はシナリオ全体で7kWh以下であり、As Fast As Possible (AFAP)のヒューリスティックでは最大1093kWhであり、再生可能自己消費は風と太陽の供給の組み合わせで52%に達する。 炭素強度予測をRL状態に埋め込み、充電を低エミッション期間に整合させ、グリッドコンプライアンスとユーザ満足度を維持する。

関連論文リスト

• FM-CAC: Carbon-Aware Control for Battery-Buffered Edge AI via Time-Series Foundation Models [4.9890124441309185]
  エッジAIデプロイメントは、常時稼働し、リアルタイム複合AIパイプラインを実行する数十億のデバイスにスケールする。 本稿では,電池をアクティブ時間バッファとして活用する能動的炭素認識制御フレームワークFM-CACを提案する。 その結果、FM-CACは最大に近い推定精度を維持しながら、二酸化炭素排出量を最大65.6%削減することがわかった。
  論文  参考訳（メタデータ） (2026-04-07T17:23:06Z)
• A Cherry-Picking Approach to Large Load Shaping for More Effective Carbon Reduction [1.392465349422406]
  本研究では, 直流直流直流最適電力流 (DC-OPF) のキャリブレーションを行い, グリッドCO2排出ガスの負荷形状と電力コストの逆解析を行った。 年次グリッドレベルCO2排出量削減の観点では、LMPベースのシェーピングは他の一般的な戦略よりも優れるが、大幅な改善が可能である。
  論文  参考訳（メタデータ） (2026-01-25T20:43:51Z)
• Resilient Charging Infrastructure via Decentralized Coordination of Electric Vehicles at Scale [37.56003520528009]
  既存の分散化アプローチは、駅の停電や充電要求の予期せぬ急激な急激な急激な急激な増加など、厳しい状況下で苦労している。 我々は、EVがシステム全体の効率に対して、選択した個人の快適さをバランスさせることのできる、新しい学習ベースの協調フレームワークを提案する。 このフレームワークでは、EVは快適さと効率を優先的にシフトする適応的な充電行動のために推奨される。
  論文  参考訳（メタデータ） (2025-11-26T00:32:23Z)
• Towards net-zero manufacturing: carbon-aware scheduling for GHG emissions reduction [0.0]
  スコープ2エミッションは、グリッド電力の生産と消費に関連する間接的なエミッションである。 本研究では, スコープ2の排出削減を目的とした, 炭素を意識したフローショップスケジューリングモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-03T09:06:54Z)
• 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)
• Solar Power driven EV Charging Optimization with Deep Reinforcement Learning [6.936743119804558]
  電気自動車(EV)や太陽光発電システム(PV)などの分散型エネルギー資源は、住宅用電力システムに継続的に統合されている。 本稿では、クリーンで太陽エネルギーの消費を優先しながら、家庭用EV充電の課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2022-11-17T11:52:27Z)
• 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)
• Modelling the transition to a low-carbon energy supply [91.3755431537592]
  気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。 二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。 排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
  論文  参考訳（メタデータ） (2021-09-25T12:37:05Z)
• 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)
• 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。