Apr, 2024

电动汽车充电的基于价格的需求响应的学习与优化

PDF
TL;DR这篇论文提出了一个新的决策为中心的端到端框架，将模型学习阶段中的预测误差和下游优化成本误差相结合，用于准确预测充电需求并优化充电站功率分配策略，实验证明该框架能够提供更可靠的预测模型，从而在仅有少量训练样本的情况下实现更有效的成本节约和充电站运营目标优化。
electric vehiclesdemand responsecharging load managementprice-based demand responsecharging station power allocation policy
发现论文，激发创造
  • 使用强化学习进行多个电动汽车充电站需求响应协调的优化成本函数

    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

  • 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

  • 基于数据驱动的需求响应在线互动竞标策略

    本文提出一种使用智能电表数据和功能，同时确定投标和购买策略，基于历史招标经验学习的双代理深度确定性策略梯度方法来优化招标和购买决策，并通过在线学习确保趋势跟踪和自适应，结果表明该模型可以通过离线 / 在线学习投标规则并稳健地进行适当的出价，在面对多种情况时获得最优利润。

    Feb, 2022

  • 面向需求响应的最优定价 —— 非参数约束策略优化方法

    本文提出了一种创新的非参数约束策略优化方法，解决了基于价格的需求响应问题中，如何保证策略的稳定性和最优性的问题，并且采用一种高效的策略优化算法，得到了比现有强化学习算法更好的表现。

    Jun, 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

  • 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

  • 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

  • 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

  • 基于深度 Q 学习的智能电动车需求响应在智能电网中的智能调度

    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

  • 利用设备基于强化学习的最优需求响应

    本文提出了一种新型的供需响应问题的全自动能源管理系统的调度问题的强化学习方法，并以 Q 学习算法为例，通过对代表性例子的模拟结果进行了演示。

    Jan, 2014