Aug, 2023

基于分布式网络的电动车充电控制的联邦强化学习

PDF
TL;DR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。
electric vehiclesev charging controlmulti-agent deep reinforcement learningradial distribution networkfederated deep reinforcement learning
发现论文，激发创造
  • 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

  • 集中式与分散式多智能体强化学习在增强电动车充电网络控制中的比较

    电动汽车的广泛采用对电力分配网络和智能电网基础设施提出了几个挑战，特别是在高峰时段可能会显著增加电力需求。本文介绍了一种利用多智能体强化学习（MARL）框架的分布式和协作充电策略的新方法，该方法采用深度确定性策略梯度（DDPG）算法，适用于一个住宅社区中的一群电动汽车，在此社区中的所有电动汽车都连接到一台共享变压器。通过降低总体变异程度约 36％和平均充电成本约 9.1％，我们的理论和数值结果表明，尽管政策梯度方差较高且训练复杂度更高，CTDE-DDPG 框架显着提高了充电效率。

    Apr, 2024

  • 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

    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$％$。

    Oct, 2022

  • 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

  • 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

  • 通过自适应图形的无线网络中的多智能体强化学习功率控制

    无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

    Nov, 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