DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging Scheduling in Large-scale Networked Facilities

要約

交通機関の電化に伴い、電気自動車（EV）の普及が進むと、配電ネットワークに大きな負荷がかかり、そのパフォーマンスが低下し、安定性が脅かされる可能性があります。
これらの新しい負荷にコスト効率よく対応するために、現代の電力網には、スケーラブルかつ効率的な方法で EV の充電スケジュールを最適化できる、調整された、または「スマート」な充電戦略が必要です。
これを考慮して、本研究では、ネットワーク化された大規模な EV 充電ステーションの予約管理プログラムに焦点を当てます。
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制限を考慮しながら、EV ユーザーの総利益を最大化する時間結合バイナリ最適化問題を定式化します。
高いソリューション品質を維持しながら大規模な問題に取り組むために、深層学習と近似アルゴリズムの分野の技術を組み合わせたデータ駆動型の最適化フレームワークが導入されています。
このフレームワークの重要な要素は、トレーニング セットに含まれる問題サイズよりも大幅に大きい問題サイズへの直接外挿を可能にする、ニューラル ネットワーク用の新しい入出力処理スキームです。
合成データ トレースと現実世界のデータ トレースに基づく広範な数値シミュレーションにより、2 つの代表的なスケジューリング アルゴリズムに対する、提示されたアプローチの有効性と優位性が検証されます。
最後に、提案されたフレームワークに対するいくつかの当面の拡張をリストし、さらなる検討の見通しを概説することによって、貢献をまとめます。

要約(オリジナル)

With the electrification of transportation, the rising uptake of electric vehicles (EVs) might stress distribution networks significantly, leaving their performance degraded and stability jeopardized. To accommodate these new loads cost-effectively, modern power grids require coordinated or “smart” charging strategies capable of optimizing EV charging scheduling in a scalable and efficient fashion. With this in view, the present work focuses on reservation management programs for large-scale, networked EV charging stations. We formulate a time-coupled binary optimization problem that maximizes EV users’ total welfare gain while accounting for the network’s available power capacity and stations’ occupancy limits. To tackle the problem at scale while retaining high solution quality, a data-driven optimization framework combining techniques from the fields of Deep Learning and Approximation Algorithms is introduced. The framework’s key ingredient is a novel input-output processing scheme for neural networks that allows direct extrapolation to problem sizes substantially larger than those included in the training set. Extensive numerical simulations based on synthetic and real-world data traces verify the effectiveness and superiority of the presented approach over two representative scheduling algorithms. Lastly, we round up the contributions by listing several immediate extensions to the proposed framework and outlining the prospects for further exploration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google