Deep Reinforcement Learning-Based Optimization of Second-Life Battery Utilization in Electric Vehicles Charging Stations

要約

電気自動車（EV）の採用の急速な増加は、退職したEVバッテリーの膨大な数を管理する上で大きな課題を提示します。
調査によると、EVのセカンドライフバッテリー（SLB）は通常、かなりの残留容量を保持し、拡張効用を提供します。
これらのバッテリーは、EV充電ステーション（EVC）で使用するために効果的に再利用でき、新しいバッテリーの費用対効果の高い代替品を提供し、全体的な計画コストを削減できます。
バッテリーエネルギー貯蔵システム（BES）をSLBSとEVCに統合することは、システムの過負荷を軽減するための有望な戦略です。
ただし、統合されたBESSを使用したEVCの効率的な動作は、EVの到着と出発時間、およびグリッドからの変動電力価格などの不確実性によって妨げられています。
このペーパーでは、SLBを活用して、BESを使用したEV充電ステーションの深い補強学習ベース（DRL）計画フレームワークを紹介します。
高度なソフトアクタークリティック（SAC）アプローチを採用し、平日や休日を含む季節のバリエーションを説明するために、1年分のデータでモデルをトレーニングします。
カスタマイズされた報酬関数は、効果的なオフライントレーニングを可能にし、不確実性の下でEVCS操作のリアルタイム最適化を可能にします。

要約(オリジナル)

The rapid rise in electric vehicle (EV) adoption presents significant challenges in managing the vast number of retired EV batteries. Research indicates that second-life batteries (SLBs) from EVs typically retain considerable residual capacity, offering extended utility. These batteries can be effectively repurposed for use in EV charging stations (EVCS), providing a cost-effective alternative to new batteries and reducing overall planning costs. Integrating battery energy storage systems (BESS) with SLBs into EVCS is a promising strategy to alleviate system overload. However, efficient operation of EVCS with integrated BESS is hindered by uncertainties such as fluctuating EV arrival and departure times and variable power prices from the grid. This paper presents a deep reinforcement learning-based (DRL) planning framework for EV charging stations with BESS, leveraging SLBs. We employ the advanced soft actor-critic (SAC) approach, training the model on a year’s worth of data to account for seasonal variations, including weekdays and holidays. A tailored reward function enables effective offline training, allowing real-time optimization of EVCS operations under uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google