基于深度强化学习的电动汽车充电站中二次利用电池优化

电动汽车（EV）采用率的快速上升给管理大量退役电动汽车电池带来了重大挑战。研究表明，来自电动汽车的二次利用电池（SLBs）通常保留了相当大的剩余容量，提供了扩展的效用。这些电池可以有效地重新用于电动汽车充电站（EVCS），提供一种比新电池更具成本效益的替代方案，并降低整体规划成本。将带有 SLB 的电池储能系统（BESS）集成到 EVCS 中是缓解系统过载的一种有前景的策略。然而，集成 BESS 的 EVCS 的高效运行受到不确定性因素的阻碍，例如波动的电动汽车到达和离开时间以及来自电网的可变电力价格。本文提出了一种基于深度强化学习（DRL）的规划框架，用于利用 SLB 的带有 BESS 的电动汽车充电站。我们采用了先进的软演员-评论家（SAC）方法，使用一整年的数据训练模型，以考虑季节性变化，包括工作日和节假日。一个定制的奖励函数实现了有效的离线训练，从而能够在不确定性下实时优化 EVCS 运行。