面向网联自动驾驶汽车充电的风险对抗学习系统
人工智能
2022-02-03 v2 计算工程、金融与科学
机器学习
多智能体系统
摘要
本文研究了网联自动驾驶汽车充电基础设施（CAV-CI）的理性决策支持系统（RDSS）设计。在所考虑的 CAV-CI 中，配电系统运营商（DSO）部署电动汽车供电设备（EVSE），为人类驾驶的网联汽车（CV）和自动驾驶汽车（AV）提供电动汽车充电设施。当人类驾驶的电动汽车要求的能量和充电时长超过其实际需求时，其充电请求变得非理性。因此，每个 EVSE 的调度策略必须自适应地累积非理性充电请求，以满足 CV 和 AV 的充电需求。为解决此问题，我们为 DSO 构建了一个 RDSS 问题，其目标是通过满足 DSO 的松弛风险来最大化充电容量利用率。因此，我们设计了一个理性奖励最大化问题，以数据驱动的方式适应 CV 的非理性行为。我们为 CAV-CI 提出了一种新颖的风险对抗多智能体学习系统（RAMALS）来解决所构建的 RDSS 问题。在 RAMALS 中，DSO 充当一个中心化的风险对抗智能体（RAA），用于将松弛风险告知每个 EVSE。随后，每个 EVSE 扮演自学习智能体的角色，通过应对来自 RAA 的建议来自适应地调度其自身的电动汽车充电会话。实验结果表明，与当前部署的 ACN EVSE 系统及其他基线相比，所提出的 RAMALS 在充电速率上实现了约 46.6% 的提升，在 EVSE 活跃充电时间上实现了约 28.6% 的提升，并且能量利用率至少提高了 33.3%。
引用
@article{arxiv.2108.01466,
title = {Risk Adversarial Learning System for Connected and Autonomous Vehicle Charging},
author = {Md. Shirajum Munir and Ki Tae Kim and Kyi Thar and Dusit Niyato and Choong Seon Hong},
journal= {arXiv preprint arXiv:2108.01466},
year = {2022}
}
备注
Accepted Article By IEEE Internet of Things Journal, DOI:10.1109/JIOT.2022.3149038 (In Press)