KDDOct, 2022

将用户偏好与外部奖励相结合，实现面向司机和资源感知的电动汽车充电推荐

PDF
TL;DR本研究提出了基于正则化 Actor-Critic 算法的电动汽车充电推荐方法，该方法可为私人电动汽车驾驶者提供个性化、资源感知的充电推荐服务，并在实际数据集上表现出对比方法所不具备的优越性能，可为缓解电动汽车驾驶者的续航焦虑提供一种成本效益的解决策略。
electric vehiclecharging recommendationuser preferenceregularized actor-criticresource allocation
发现论文，激发创造
  • 基于多智能体强化学习的智能电动汽车充电建议

    本文提出了一个名为 Master 的框架，它采用深度强化学习方法，以智能化的方式推荐公共可用的电动汽车充电站，并联合考虑各种长期时空因素，包括充电基础设施、未来潜在的充电竞争等等。经过广泛的实验评估，Master 相对于九个基准方法具有最佳的综合性能。

    Feb, 2021

  • 基于增广 Lagrangian 的深度强化学习电动汽车充电调度方法

    本文旨在解决电动汽车在参与需求响应时如何优化充电 / 放电计划的问题。通过将问题建模为约束马尔可夫决策过程并采用增广拉格朗日方法和软性演员评论算法，提出了一种新的安全非同步策略优化强化学习方法，能够显著提高方案最优性和约束限制的达成。

    Sep, 2022

  • 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

  • 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

  • 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

  • 面向区域电动车充电需求预测的基于物理知识和注意力机制的图学习方法

    该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

    Sep, 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

  • 面向配电网络中电动汽车充电站管理的安全感知强化学习

    该研究论文介绍了一种安全感知的强化学习算法，用于管理电动车充电站，并确保满足系统约束。该算法不依赖于对约束违规的显式惩罚，而且能在不确定环境中学习模式，以提高对电动车充电的管理效果。

    Mar, 2024

  • 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

  • 电动汽车充电站需求预测与放置优化

    本文提出了一个多视图学习框架，使用了 CCA 模型对候选站点进行需求预测，并使用混合填充和覆盖优化框架来解决服务提供商和电动汽车用户之间的竞争关系，通过交替调用背包和集合覆盖算法来解决这些问题，该模型制定的方案使用真实世界数据进行了评估。

    Apr, 2016