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
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
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
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
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
使用多智能体强化学习 (MARL) 框架,通过特定的供需比例 P2P 结算机制,自动化处理消费者的太阳能光伏和能源储存资源的竞价和管理,以及实现电压控制,确保 P2P 能源交易的物理可行性,并为实际应用铺平道路。
Jan, 2024
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
本文分析了真实的共享电动出行系统的运营模式、使用模式及扩张动态,并以此为基础,利用多智能体强化学习建立了一个高保真度的电动出行共享仿真器,在此基础上提出了一种新的基于动态优化的级联策略的解法,显著提高了系统对于未来需求的满足度和增加收益。
Nov, 2022
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