Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility

要約

分散型エネルギー資源、特に電気自動車（EV）の急速な成長は、今後10年間で急激に増加すると予想されており、既存の配電ネットワークにさらなるストレスを与え、より高いシステムの信頼性と柔軟性の必要性が増大します。
不必要なネットワーク投資を回避し、配信ネットワークの制御性を高めるために、ネットワーク オペレータは、金銭的またはその他の利益と引き換えにエンド ユーザーが消費をシフトするよう促すデマンド レスポンス (DR) プログラムを開発します。
人工知能 (AI) 手法は、主にその高精度、高い計算速度、開発中のモデルの物理的特性への依存度の低さにより、住宅負荷スケジューリング アプリケーションの研究の最前線にあります。
この研究の目的は、深層強化学習、より具体的にはディープ Q ネットワーク (DQN) を使用して、使用時間料金体系に基づく家庭の EV コスト削減充電ポリシーを特定することです。
新しいエンドユーザーの柔軟性の潜在的な報酬は、太陽光発電を備えた家庭を使用して設計されたアルゴリズムをトレーニングおよびテストした履歴データ分析から推測されます。
提案された DQN EV 充電ポリシーは、エンドユーザーの電気料金の 20% 以上の節約につながる可能性があります。

要約(オリジナル)

The rapid growth of decentralized energy resources and especially Electric Vehicles (EV), that are expected to increase sharply over the next decade, will put further stress on existing power distribution networks, increasing the need for higher system reliability and flexibility. In an attempt to avoid unnecessary network investments and to increase the controllability over distribution networks, network operators develop demand response (DR) programs that incentivize end users to shift their consumption in return for financial or other benefits. Artificial intelligence (AI) methods are in the research forefront for residential load scheduling applications, mainly due to their high accuracy, high computational speed and lower dependence on the physical characteristics of the models under development. The aim of this work is to identify households’ EV cost-reducing charging policy under a Time-of-Use tariff scheme, with the use of Deep Reinforcement Learning, and more specifically Deep Q-Networks (DQN). A novel end users flexibility potential reward is inferred from historical data analysis, where households with solar power generation have been used to train and test the designed algorithm. The suggested DQN EV charging policy can lead to more than 20% of savings in end users electricity bills.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google