Deep Reinforcement Learning Based Framework for Mobile Energy Disseminator Dispatching to Charge On-the-Road Electric Vehicles

要約

電気自動車（EV）の急激な成長は、バッテリーの健全性を維持し、車両航続距離の不安という根深い問題に対処する上で新たな課題をもたらしています。
これらの懸念に対処するために、ワイヤレス充電、特にモバイル エネルギー ディセミネーター (MED) が有望なソリューションとして浮上しています。
MED は大型車両の後ろに取り付けられ、その上流半径内にあるすべての参加 EV を充電します。
残念なことに、このような V2V 充電中に、MED と EV が誤って隊列を形成し、その結果、複数の車線を占有し、全体的な通路の移動効率が損なわれてしまいます。
さらに、MED 導入の予算には限りがあるため、MED を交通に導入する最適なタイミングと場所を決定するための効果的な派遣戦略の開発が必要になります。
この論文では、配車フレームワークを開発するための深層強化学習 (DRL) ベースの方法論を提案します。
フレームワークの最初のコンポーネントでは、「ChargingEnv」と呼ばれる現実的な強化学習環境を開発します。これには、ワイヤレス充電導入における一般的な実際的な問題、特に充電パネルの位置ずれを考慮した信頼性の高い充電シミュレーション システムが組み込まれています。
2 番目のコンポーネントである Proximal-Policy Optimization (PPO) エージェントは、ChargingEnv との継続的な対話を通じて MED ディスパッチを制御するようにトレーニングされています。
提案された MED 導入意思決定プロセッサの有効性を実証するために、数値実験が実行されました。
実験結果は、提案されたモデルが最適な数の MED を効率的に配置しながら、EV の走行距離を大幅に向上できることを示唆しています。
提案されたモデルは、適用可能性において実用的であるだけでなく、現実世界での有効性も期待できることがわかりました。
提案されたモデルは、旅行者が EV の航続距離を最大化するのに役立ち、道路局や民間ベンダーが MED の導入を効率的に管理できるようにすることができます。

要約(オリジナル)

The exponential growth of electric vehicles (EVs) presents novel challenges in preserving battery health and in addressing the persistent problem of vehicle range anxiety. To address these concerns, wireless charging, particularly, Mobile Energy Disseminators (MEDs) have emerged as a promising solution. The MED is mounted behind a large vehicle and charges all participating EVs within a radius upstream of it. Unfortuantely, during such V2V charging, the MED and EVs inadvertently form platoons, thereby occupying multiple lanes and impairing overall corridor travel efficiency. In addition, constrained budgets for MED deployment necessitate the development of an effective dispatching strategy to determine optimal timing and locations for introducing the MEDs into traffic. This paper proposes a deep reinforcement learning (DRL) based methodology to develop a vehicle dispatching framework. In the first component of the framework, we develop a realistic reinforcement learning environment termed ‘ChargingEnv’ which incorporates a reliable charging simulation system that accounts for common practical issues in wireless charging deployment, specifically, the charging panel misalignment. The second component, the Proximal-Policy Optimization (PPO) agent, is trained to control MED dispatching through continuous interactions with ChargingEnv. Numerical experiments were carried out to demonstrate the demonstrate the efficacy of the proposed MED deployment decision processor. The experiment results suggest that the proposed model can significantly enhance EV travel range while efficiently deploying a optimal number of MEDs. The proposed model is found to be not only practical in its applicability but also has promises of real-world effectiveness. The proposed model can help travelers to maximize EV range and help road agencies or private-sector vendors to manage the deployment of MEDs efficiently.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google