考虑终端用户灵活性的深度强化学习电动汽车充电优化调度
机器学习
2023-10-16 v1 人工智能
摘要
去中心化能源资源尤其是电动汽车(EV)的快速增长——预计在未来十年将急剧增加——将进一步给现有配电网络带来压力,提升对更高系统可靠性与灵活性的需求。为避免不必要的网络投资并增强对配电网的可控性,网络运营商开发了需求响应(DR)项目,以经济或其他收益激励终端用户转移其用电。人工智能(AI)方法在居民负荷调度应用中处于研究前沿,主要因其高精度、高计算速度以及对所开发模型物理特性较低的依赖性。本工作的目标是利用深度强化学习,更具体地说是深度 Q 网络(DQN),在分时电价方案下识别家庭的 EV 降本充电策略。从 historical 数据分析推断出一种新颖的终端用户灵活性潜力奖励,其中使用具有太阳能发电的家庭来训练和测试所设计的算法。所提出的 DQN EV 充电策略可为终端用户电费带来超过 20% 的节省。
引用
@article{arxiv.2310.09040,
title = {Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility},
author = {Christoforos Menos-Aikateriniadis and Stavros Sykiotis and Pavlos S. Georgilakis},
journal= {arXiv preprint arXiv:2310.09040},
year = {2023}
}