基于强化学习的城市路网充电站选址
机器学习
2022-06-14 v1 信号处理
摘要
从传统出行向电动出行的转型在很大程度上取决于充电基础设施的可用性与最优布局。本文研究城市区域中充电站的最优布局。我们在设定预算约束的同时，最大化区域内的充电基础设施供给，并最小化等待、出行与充电时间。此外，我们纳入车辆在家充电的可能性，以获得对城市区域实际充电需求更精细的估计。我们将充电站布局问题表述为一个非线性整数优化问题，寻求充电站的最优位置及不同充电类型的充电桩最优数量。我们设计了一种新颖的深度强化学习方法来求解充电站布局问题（PCRL）。在真实世界数据集上的大量实验表明，与五种基线相比，PCRL 在减少等待与出行时间的同时提升了充电规划的收益。与现有基础设施相比，我们可将等待时间减少多达 97%，并将收益提升多达 497%。
引用
@article{arxiv.2206.06011,
title = {Reinforcement Learning-based Placement of Charging Stations in Urban Road Networks},
author = {Leonie von Wahl and Nicolas Tempelmeier and Ashutosh Sao and Elena Demidova},
journal= {arXiv preprint arXiv:2206.06011},
year = {2022}
}
备注
9 pages, 9 figures, definitive version published in the proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '22)