基于迁移深度强化学习的大规模含可再生能源 V2G 连续充电协调
系统与控制
2022-10-14 v1 人工智能
机器学习
系统与控制
摘要
由于电动汽车（EVs）日益普及以及 EV 电子技术的进步，车辆到电网（V2G）技术与大规模调度算法得以发展，以实现高比例可再生能源与电网稳定性。本文提出一种深度强化学习（DRL）方法，用于含可再生能源（RES）的 V2G 模式下聚合大规模 EVs 的连续充放电协调策略。该 DRL 协调策略能高效优化电动汽车聚合商（EVA）的实时充放电功率，并满足 EVA 与单个 EV 的荷电状态（SOC）约束。与无序充电相比，负荷方差降低 97.37，充电成本降低 76.56。该 DRL 协调策略进一步展示出对含 RES 与大规模 EVA 的微电网以及复杂周调度的出色迁移学习能力。该 DRL 协调策略在真实运行条件下对大规模 V2G 表现出灵活、自适应和可扩展的性能。
引用
@article{arxiv.2210.07013,
title = {Transfer Deep Reinforcement Learning-based Large-scale V2G Continuous Charging Coordination with Renewable Energy Sources},
author = {Yubao Zhang and Xin Chen and Yuchen Zhang},
journal= {arXiv preprint arXiv:2210.07013},
year = {2022}
}