学习增强的太阳能电动车充电调度
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
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
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
本文介绍了一种基于软演员 - 评论家算法的深度增强学习策略,以调度社区电池系统,解决分布式能源资源整合、峰值负荷调控和能源价格波动问题。通过比较不同增强学习算法,结果表明软演员 - 评论家算法在社区电池调度中表现最佳。
Dec, 2023
该研究利用最新的强化学习算法和真实的电力网络环境,提出了一种系统的解决方案来解决传统能源调度面临的问题,并为电力系统提供了一个可持续的低碳未来。
Mar, 2023