具有分布外感知的电动汽车充电

我们解决了利用分布外(OOD)数据学习电动汽车(EV)充电的挑战。传统调度算法通常无法在近最优平均性能与最坏情况保证之间取得平衡，尤其是在 OOD 数据下。模型预测控制(MPC)往往过于保守且独立于数据，而强化学习(RL)往往过于激进并完全信任数据，阻碍了它们持续实现两全其美的能力。为弥补这一差距，我们引入一种新颖的 OOD 感知调度算法，记为 OOD-Charging。该算法采用动态的“感知半径”，其基于反映 OOD 严重程度的时序差分(TD)误差实时更新。OOD-Charging 算法在电动汽车充电调度中实现了一致性与鲁棒性之间更有效的平衡，从而显著增强了真实充电环境中的适应性与效率。我们的结果表明，在由 COVID-19 引起的电动汽车充电行为显著偏移的 Caltech ACN-Data 真实 OOD 场景下，该方法可靠地提升了调度奖励。