車両からグリッドへの供給による電気自動車ルーティング問題のための強化学習アプローチ【JST・京大機械翻訳】

Narayanan Ajay; Misra Prasant; Ojha Ankush; Bandhu Vivek; Ghosh Supratim; Vasan Arunchandar

プレプリント

J-GLOBAL ID：202202206925945473 整理番号：22P0329967

車両からグリッドへの供給による電気自動車ルーティング問題のための強化学習アプローチ【JST・京大機械翻訳】

A Reinforcement Learning Approach for Electric Vehicle Routing Problem with Vehicle-to-Grid Supply

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年04月12日プレプリントサーバーでの情報更新日： 2022年04月12日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

最後のマイルにおける電気自動車(EV)の使用は,持続可能性と運用コストの観点から魅力的である。EVsの固有コスト効率に加えて,ピークグリッド需要時のグリッドへの販売エネルギーは,フリートオペレータへの追加収入の潜在的源である。これを達成するために,EVは時間(ピーク期間)の特定の点の間,特定の位置(放電点)でなければならないが,顧客に商品を配送するそれらのコア目的を満たす。本研究では,負荷容量に対する制約のあるEVルーティングの問題を考察した。時間窓;車両対グリッドエネルギー供給(CEVRPTW-D);それは複数のシステム目的を満たすだけでなく,数百の顧客と放電ステーションを含む大きな問題サイズにも効率的にスケールする。これらの課題を克服するため,EVルーティングのために強化学習(RL)を使用するQuikRouteFinderを提案した。Solomonデータセットを用いて,RLからの結果を混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)メタヒューリスティックに基づく正確な定式化に対して比較した。平均して,結果は,RLがMILPとGAより24倍速く,一方,最適に品質(20%以内)に近いことを示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

電気自動車 , 電力系統一般

, , , ,

前のページに戻る