Core Concepts
Ein sicherheitsbewusstes Reinforcement-Learning-Algorithmus wird entwickelt, um die Ladestation-Verwaltung in Verteilnetzen unter Berücksichtigung von Unsicherheiten zu optimieren und Netzbeschränkungen einzuhalten.
Abstract
Der Artikel präsentiert einen sicherheitsbewussten Reinforcement-Learning-Algorithmus (SACL) zur Koordination von Elektrofahrzeug-Ladestationen in Verteilnetzen. Im Gegensatz zu herkömmlichen Methoden, die Strafen für Verletzung von Beschränkungen verwenden, nutzt SACL einen systematischeren Ansatz über den Rahmen des eingeschränkten Markov-Entscheidungsprozesses (CMDP) und den Soft Actor-Critic-Lagrange-Algorithmus.
Der Algorithmus integriert eine stochastische Strategie in einen Rahmen mit maximaler Entropie, um die Erkundungsfähigkeiten zu verbessern. Im Unterschied zu früheren Studien, die sich nur auf die Anzahl der Spannungsverletzungen konzentrierten, berücksichtigt der vorgeschlagene Ansatz den expliziten Zielkonflikt zwischen der Anzahl und dem Ausmaß der Spannungsverletzungen.
Die Simulationsergebnisse zeigen, dass der SACL-Algorithmus herkömmliche Reinforcement-Learning-Algorithmen bei der Einhaltung von Beschränkungen übertrifft. Darüber hinaus erreicht der Algorithmus eine schnellere Konvergenz und höhere Belohnungen im Vergleich zu deterministischen Strategiealgorithmen.
Stats
Die Gesamtkosten für das Energiemanagement betragen 926 $.
Die unerfüllte Ladeanforderung beträgt 411,2 kWh.
Die Anzahl der Spannungsverletzungen beträgt 294.
Der Betrag der Spannungsverletzungen beträgt 0,915 p.u.
Quotes
Keine relevanten Zitate identifiziert.