基于强化学习的多电动汽车充电点联合协调之计算高效方法
人工智能
2022-03-29 v1 机器学习
系统与控制
系统与控制
摘要
当今电网的一大挑战是管理电动汽车（EV）充电带来的日益增长负荷。需求响应（DR）方案旨在利用其中的灵活性，即转移 EV 充电时间 thereby 避免过高峰值或实现更好平衡的能力。尽管多数现有研究要么聚焦于单一 EV 充电器的控制策略，要么采用多步方法（例如先高层聚合控制决策，再个体 EV 控制决策），我们则提出一种一次性联合协调多个充电点的单步方案。本文中，我们进一步精炼一项基于强化学习（RL）的初步提案，具体应对会限制其实际部署的计算挑战。更确切地说，我们设计了 EV 充电协调过程的一种新马尔可夫决策过程（MDP）表述，仅具线性空间与时间复杂度（有别于早前的二次空间复杂度）。因此我们改进了早前的 SOTA，在采用真实世界 EV 充电会话数据的案例研究中显示出训练时间减少 30%。然而，我们在达成 DR 目标上的结果性能并未牺牲：相较于常态策略（EV 抵达即满充）我们的新 RL 方案仍将充电需求协调性能提升 40–50%，相较于启发式策略（个体 EV 充电均匀铺开）提升 20–30%。
引用
@article{arxiv.2203.14078,
title = {Computationally efficient joint coordination of multiple electric vehicle charging points using reinforcement learning},
author = {Manu Lahariya and Nasrin Sadeghianpourhamami and Chris Develder},
journal= {arXiv preprint arXiv:2203.14078},
year = {2022}
}