論文の概要: An Efficient Distributed Multi-Agent Reinforcement Learning for EV
Charging Network Control
- arxiv url: http://arxiv.org/abs/2308.12921v1
- Date: Thu, 24 Aug 2023 16:53:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 13:04:08.694124
- Title: An Efficient Distributed Multi-Agent Reinforcement Learning for EV
Charging Network Control
- Title(参考訳): ev充電ネットワーク制御のための効率的分散マルチエージェント強化学習
- Authors: Amin Shojaeighadikolaei, Morteza Hashemi
- Abstract要約: 本稿では,EV所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。
その結果、CTDEフレームワークは、ネットワークコストを削減し、充電ネットワークの性能を向上させることを示した。
- 参考スコア(独自算出の注目度): 2.5477011559292175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increasing trend in adopting electric vehicles (EVs) will significantly
impact the residential electricity demand, which results in an increased risk
of transformer overload in the distribution grid. To mitigate such risks, there
are urgent needs to develop effective EV charging controllers. Currently, the
majority of the EV charge controllers are based on a centralized approach for
managing individual EVs or a group of EVs. In this paper, we introduce a
decentralized Multi-agent Reinforcement Learning (MARL) charging framework that
prioritizes the preservation of privacy for EV owners. We employ the
Centralized Training Decentralized Execution-Deep Deterministic Policy Gradient
(CTDE-DDPG) scheme, which provides valuable information to users during
training while maintaining privacy during execution. Our results demonstrate
that the CTDE framework improves the performance of the charging network by
reducing the network costs. Moreover, we show that the Peak-to-Average Ratio
(PAR) of the total demand is reduced, which, in turn, reduces the risk of
transformer overload during the peak hours.
- Abstract(参考訳): 電気自動車(EV)の採用傾向の高まりは住宅電力需要に大きな影響を与え、配電網における変圧器過負荷のリスクが高まる。
このようなリスクを軽減するために、効率的なEV充電コントローラを開発する必要がある。
現在、ほとんどのEV充電コントローラーは、個々のEVまたはEVのグループを管理するための集中型のアプローチに基づいている。
本稿では,電気自動車所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。
我々は,実行中のプライバシーを維持しながら,トレーニング中に貴重な情報を提供するCTDE-DDPG(Centralized Training Decentralized Execution-Deep Deterministic Policy Gradient)方式を採用する。
その結果,ctdeフレームワークは,ネットワークコストを低減し,充電ネットワークの性能を向上させる。
さらに,総需要のピーク対平均比 (PAR) が減少し,ピーク時の変圧器過負荷のリスクが低減されることを示した。
関連論文リスト
- Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-17T05:34:46Z) - DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging
Scheduling in Large-scale Networked Facilities [5.78463306498655]
電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。
現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。
ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
論文 参考訳(メタデータ) (2023-05-18T14:03:47Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳(メタデータ) (2022-11-29T01:18:58Z) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳(メタデータ) (2022-10-04T08:22:46Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳(メタデータ) (2022-06-08T07:48:42Z) - Computationally efficient joint coordination of multiple electric
vehicle charging points using reinforcement learning [6.37470346908743]
今日の電力網における大きな課題は、電気自動車(EV)充電による負荷の増加を管理することである。
同時に複数の充電点を協調的に座標する単一ステップの解法を提案する。
我々の新しいRLソリューションは、ビジネス・アズ・ユース・ポリシーと比較して、充電需要調整の性能を40~50%向上させています。
論文 参考訳(メタデータ) (2022-03-26T13:42:57Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - Learning to Operate an Electric Vehicle Charging Station Considering
Vehicle-grid Integration [4.855689194518905]
本稿では、充電ステーションの利益を最大化するために、新しい集中的アロケーションと分散実行(CADE)強化学習(RL)フレームワークを提案する。
集中配置プロセスでは、EVを待機スポットまたは充電スポットに割り当て、分散実行プロセスでは、各充電器は、共有再生メモリからアクション値関数を学習しながら、独自の充電/放電判定を行う。
数値計算により,提案したCADEフレームワークは計算効率が高く,拡張性も高く,ベースラインモデル予測制御(MPC)よりも優れていた。
論文 参考訳(メタデータ) (2021-11-01T23:10:28Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。