基于深度强化学习的充光储能源站调度策略

基于深度强化学习的充光储能源站调度策略
为了应对大规模电动汽车调度模型求解复杂、算力要求高的问题，机器学习方法在电动汽车充电导航调度中越来越受到关注。针对充光储一体化能源站，文中提出了一种基于深度强化学习（DRL）的充光储能源站调度策略。首先，分析了能源站运行策略与DRL基本理论。其次，基于后悔理论刻画用户对不同充电方案时间与费用的心理状态，建立了智能体对"人-车-站"状态环境全感知模型，并引入时变ε-greedy策略作为智能体动作选择方法以提高算法收敛速度。最后，结合南京市实际道路与能源站分布设计了多场景算例仿真，结果表明所提方法在考虑用户心理效应的基础上能够有效提高能源站光伏消纳率，为电动汽车充电调度提供了一种新思路。

标题：
基于深度强化学习的充光储能源站调度策略
A deep reinforcement learning-based scheduling strategy of photovoltaic-storage-charging integrated energy stations

作者：
孙广明，陈良亮，王瑞升，陈中，邢强
SUN Guangming, CHEN Liangliang, WANG Ruisheng, CHEN Zhong, XING Qiang

关键词：
电动汽车;充光储能源站;充电调度;深度强化学习;后悔理论;全感知模型
electric vehicle;photovoltaic-storage-charging integrated energy station;charging scheduling;deep reinforcement learning;regret theory;full perception model

2025-1-23 19:50 上传 基于深度强化学习的充光储能源站调度策略.pdf

文件大小:

8.56 MB

下载次数:

60

高速下载