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

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

本文针对电动汽车普及带来的电力网承载压力问题，提出了一种面向大规模网络化电动车充电站的预定管理程序，运用数据驱动的优化框架，结合深度学习和近似算法技术，实现电动车用户总体福利最大化，有效提高电网稳定性和效率，取得了比两种典型调度算法更好的效果，为进一步探索奠定了基础。

May, 2023

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

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

本研究基于强化学习模型，使用马尔可夫决策过程来协调多个充电站，通过提出改进的成本函数使得学到的控制策略始终满足不具备任何灵活性的充电需求，同时使用真实世界数据对比了两种方法在负荷平整的情况下学习强化策略的性能和策略决策的总体性能。

Mar, 2022

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

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

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

本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

Jul, 2017