基于深度强化学习的移动能量分发器调度框架用于路上电动汽车充电
机器人学
2023-08-31 v1 人工智能
机器学习
摘要
电动汽车(EVs)的指数级增长在保持电池健康和解决长期存在的里程焦虑问题上带来了新的挑战。为应对这些关切，无线充电尤其是移动能量分发器(MEDs)已成为一种有前景的解决方案。MED 安装在一辆大型车辆后方，为其上游一定半径内的所有参与 EVs 充电。不幸的是，在此类 V2V 充电过程中，MED 与 EVs 无意中形成车队，从而占用多条车道并损害整体走廊通行效率。此外，MED 部署的预算受限，亟需开发一种有效的调度策略以确定将 MEDs 引入交通的最佳时机与位置。本文提出一种基于深度强化学习(DRL)的方法来构建车辆调度框架。该框架的第一部分，我们开发了一个名为“ChargingEnv”的真实强化学习环境，其包含可靠的充电仿真系统，考虑了无线充电部署中常见的实际问题，特别是充电面板错位。第二部分，近端策略优化(PPO)智能体通过与 ChargingEnv 的持续交互被训练以控制 MED 调度。我们开展了数值实验以证明所提出的 MED 部署决策处理器的有效性。实验结果表明，所提模型能显著延长 EV 行驶里程，同时高效部署最优数量的 MEDs。该模型不仅具有实际适用性，而且有望在真实世界中生效。所提模型可帮助出行者最大化 EV 里程，并帮助道路机构或私营供应商高效管理 MEDs 的部署。
引用
@article{arxiv.2308.15656,
title = {Deep Reinforcement Learning Based Framework for Mobile Energy Disseminator Dispatching to Charge On-the-Road Electric Vehicles},
author = {Jiaming Wang and Jiqian Dong and Sikai Chen and Shreyas Sundaram and Samuel Labi},
journal= {arXiv preprint arXiv:2308.15656},
year = {2023}
}
备注
Submitted for presentation only at the 2024 Annual Meeting of the Transportation Research Board