面向实时电动汽车充放电控制的联邦强化学习
系统与控制
2022-10-05 v1 机器学习
多智能体系统
系统与控制
摘要
随着移动储能技术的最新进展，电动汽车（EVs）已成为智能电网的重要组成部分。当电动汽车参与需求响应计划时，充分利用实时电价信号可显著降低充电成本。然而，动态环境中存在许多随机因素，给设计最优充放电控制策略带来重大挑战。本文针对动态环境下不同电动汽车用户，提出一种最优电动汽车充放电控制策略，以最大化电动汽车用户的收益。我们首先将该问题建模为马尔可夫决策过程（MDP）。然后，我们将具有不同行为的电动汽车用户视为不同环境中的智能体。此外，提出一种基于横向联邦强化学习（HFRL）的方法来拟合不同用户行为与动态环境。该方法能够在不共享用户画像的情况下学习最优充放电控制策略。仿真结果表明，所提出的实时电动汽车充放电控制策略在各种随机因素下均能表现良好。
引用
@article{arxiv.2210.01452,
title = {Federated Reinforcement Learning for Real-Time Electric Vehicle Charging and Discharging Control},
author = {Zixuan Zhang and Yuning Jiang and Yuanming Shi and Ye Shi and Wei Chen},
journal= {arXiv preprint arXiv:2210.01452},
year = {2022}
}