EVCS充电功率的概率预测：强化学习辅助的深度学习方法
系统与控制
2023-01-25 v1 系统与控制
摘要
随着大规模交通电气化的发展，电动汽车（EV）与电动汽车充电站（EVCS）已被广泛部署。然而，由于 EV 的充电行为表现出很大的不确定性，EVCS 充电功率的预测并非易事。本文通过提出一种强化学习辅助的深度学习框架来进行 EVCS 充电功率的概率预测以捕捉其不确定性，从而解决该问题。由于 EVCS 充电功率数据不像电力负荷那样是标准时间序列数据，它们首先被转换为时间序列格式。在此基础上，使用并训练最流行的深度学习模型之一——长短期记忆（LSTM）来获得 EVCS 充电功率的点预测。为进一步捕捉预测不确定性，采用马尔可夫决策过程（MDP）对 LSTM 单元状态的变化进行建模，并由我们提出的基于强化学习的自适应探索近端策略优化（AePPO）算法求解。最后，分别使用来自美国加州理工学院和喷气推进实验室的真实 EVCS 充电数据开展实验。结果与对比分析验证了我们所提框架的有效性与优越性。
引用
@article{arxiv.2204.07905,
title = {Probabilistic Charging Power Forecast of EVCS: Reinforcement Learning Assisted Deep Learning Approach},
author = {Yuanzheng Li and Shangyang He and Yang Li and Leijiao Ge and Suhua Lou and Zhigang Zeng},
journal= {arXiv preprint arXiv:2204.07905},
year = {2023}
}
备注
Accepted by IEEE Transactions on Intelligent Vehicles