利用强化学习和智能体仿真优化电动汽车充电站布局
机器学习
2025-11-04 v1
摘要
电动汽车(EV)的快速增长势态要求战略性地安置充电站，以优化资源利用并最小化用户不便。强化学习(RL)提供了一种创新的方法来识别最佳充电站位置；然而，现有方法面临挑战，因为其确定性奖励系统限制了效率。由于现实情况是动态且不确定的，确定性奖励结构无法完全捕捉充电站布局的复杂性。因此，评估成本高昂且耗时，且不够真实反映现实场景。为解决此挑战，我们提出了一种新框架，将深度RL与智能体仿真集成，以建模EV移动并实时估计充电需求。我们的方法采用双Q网络的混合RL代理，用于选择最佳位置并配置充电端口，由结合确定性因素与仿真反馈的混合奖励函数指导。越南哈尼亚的案例研究显示，我们的方法比初始状态降低了53.28%的平均等待时间，优于静态基线方法。该方法具有可扩展性和适应性，有效解决了现实世界的复杂问题，改善了用户体验。
引用
@article{arxiv.2511.01218,
title = {Optimizing Electric Vehicle Charging Station Placement Using Reinforcement Learning and Agent-Based Simulations},
author = {Minh-Duc Nguyen and Dung D. Le and Phi Long Nguyen},
journal= {arXiv preprint arXiv:2511.01218},
year = {2025}
}
备注
Under Review