Исследователи сравнили два подхода multi-agent reinforcement learning для зарядки крупных парков электромобилей
Исследование посвящено управлению зарядкой крупных парков электромобилей при растущей нагрузке на энергосети. Авторы разбирают проблемы пикового спроса, колебаний напряжения, перегрузки линий и интеграции переменных источников возобновляемой энергии в условиях массового использования EV.
Как сообщает arXiv cs.AI (Artificial Intelligence), в работе сравниваются два независимых подхода multi-agent reinforcement learning для децентрализованной оптимизации зарядки: contextual combinatorial bandits и policy gradient algorithms. Моделирование проводилось в реалистичной среде. В ней автономные агенты принимают решения на основе локальной информации, включая ценовые сигналы, уровень заряда батареи и временные ограничения.
Авторы также оценивали работу алгоритмов при разных уровнях перегрузки сети и в смешанных конфигурациях с неоднородными группами агентов. В расчетах использовалось динамическое ценообразование на электроэнергию, основанное на реальных данных о выработке солнечной энергии.
Ключевые факты
В исследовании сравниваются contextual combinatorial bandits и policy gradient algorithms для оптимизации зарядки EV.
Моделирование использует автономных агентов, принимающих решения на основе ценовых сигналов, уровня заряда и временных ограничений.
Авторы тестировали алгоритмы при разных уровнях перегрузки сети и смешанных конфигурациях неоднородных групп агентов.
Динамическое ценообразование в модели основано на реальных данных о выработке солнечной энергии.