Oct, 2022

基于深度强化学习的大规模 V2G 连续充电协调及可再生能源应用

PDF
TL;DR本文提出了一种使用深度强化学习方法的车辆 - 电网技术中，对转移学习方面具有显著表现的连续充放电协调策略。该方法可以高效地优化电动汽车聚合器在实际操作条件下的实时充电 / 放电功率，与无控制充电相比，负荷变化减少了 97.37$％$，充电成本降低了 76.56$％$。
vehicle-to-gridrenewable energy sourcesdeep reinforcement learningcharging/discharging coordinationpower optimization
发现论文，激发创造
  • 基于深度强化学习的电池调节层次化 V2G 协调机制，为了多利益相关方的利益

    本研究提出了基于深度强化学习和权益证明算法的多利益相关者分层车联网调度策略，能够促进可再生能源利用、保障电网稳定性，并且在真实运营环境下提高可再生能源消耗、缓解负荷波动、满足电动汽车需求、减少充电成本和电池衰减。

    Aug, 2023

  • 利用强化学习实现多个电动汽车充电点的计算效率协同

    本文提出使用强化学习和马尔科夫决策过程 (MDP) 来协调多个电动汽车充电点，通过减少训练时间和使用线性空间和时间复杂度的新 MDP 公式，改善了业内现有技术，提高了充电需求协调达 40-50％的性能。

    Mar, 2022

  • 基于分布式网络的电动车充电控制的联邦强化学习

    电动车充电控制中的多智能体深度强化学习方法结合了多电动车充电与放电过程以及射线分布网络的优化功率流，通过联邦式深度强化学习算法来有效地学习最佳的充电控制策略，从而平衡车辆与电网之间的利益和减少驾驶员的焦虑情绪。

    Aug, 2023

  • 考虑终端用户灵活性的电动汽车充电的最优调度

    使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

    Oct, 2023

  • 基于深度 Q 学习的智能电动车需求响应在智能电网中的智能调度

    使用深度强化学习进行电动车辆在微电网中的充电和放电活动调度，以对齐配电系统运营商提供的目标能源配置文件。

    Jan, 2024

  • 基于深度强化学习的移动能量分发框架用于充电中的道路电动车

    电动车、无线充电、车辆调度、深度强化学习、移动能源传播是本研究的关键词。通过使用深度强化学习方法，本论文提出了一个车辆调度框架，可以显著提升电动车的行驶里程并更高效地部署移动能源传播装置。该模型具有实用性和可行性，可帮助用户最大程度地延长电动车的续航里程，并帮助道路管理机构或私营部门有效管理移动能源传播装置的部署。

    Aug, 2023

  • 电动汽车车辆 - 网格供应路线问题的强化学习方法

    本研究基于强化学习算法，从车辆装载容量、时间窗口、能量供应等多个因素出发，在大规模客户和配电站环境下，构建了满足多个系统目标的电动车路由模型，并通过实验证明，该方法不但在速度上快于混合整数线性规划和遗传算法元启发式算法，而且结果质量接近最优解。

    Apr, 2022

  • 多智能体强化学习用于分布式电动汽车充电协调与车对车能量交换

    该研究论文提出了一种多智能体强化学习的方法，以协调具有车对车能量交换的电动车充电，并考虑了电动车用户体验和去中心化执行的能力。实验结果表明，该方法相比传统优化算法具有卓越的性能和可扩展性。

    Aug, 2023

  • 一种高效的分布式多智能体强化学习用于电动车充电网络控制

    采用一种去中心化的多智能体强化学习充电框架来管理电动汽车的充电，以降低网络成本、减少用电峰值与平均值之比，减少变压器过载风险。

    Aug, 2023

  • 学习增强的太阳能电动车充电调度

    我们解决了太阳能电池板和电池配备的电动汽车（EV）的充电调度的复杂挑战，特别是在分布外（OOD）条件下。我们引入了一种新的学习增强策略，通过实时适应强化学习策略的表现来使用动态的鲁棒性预算，从而在 EV 充电调度中更有效地平衡一致性和鲁棒性，显著提高适应性和效率。

    Nov, 2023