An Efficient Distributed Multi-Agent Reinforcement Learning for EV Charging Network Control

要約

電気自動車 (EV) の導入傾向の増加は、家庭の電力需要に大きな影響を与え、その結果、配電網における変圧器の過負荷のリスクが増大します。
このようなリスクを軽減するために、効果的なEV充電コントローラーを開発することが急務となっています。
現在、EV 充電コントローラーの大部分は、個々の EV または EV のグループを管理するための集中アプローチに基づいています。
この論文では、EV 所有者のプライバシー保護を優先する分散型マルチエージェント強化学習 (MARL) 課金フレームワークを紹介します。
当社では集中トレーニング分散実行 – 深い決定的ポリシー勾配 (CTDE-DDPG) スキームを採用しており、実行中のプライバシーを維持しながらトレーニング中に貴重な情報をユーザーに提供します。
私たちの結果は、CTDE フレームワークがネットワーク コストを削減することで充電ネットワークのパフォーマンスを向上させることを示しています。
さらに、総需要のピーク対平均比 (PAR) が低下し、その結果、ピーク時間帯の変圧器の過負荷のリスクが軽減されることを示します。

要約(オリジナル)

The increasing trend in adopting electric vehicles (EVs) will significantly impact the residential electricity demand, which results in an increased risk of transformer overload in the distribution grid. To mitigate such risks, there are urgent needs to develop effective EV charging controllers. Currently, the majority of the EV charge controllers are based on a centralized approach for managing individual EVs or a group of EVs. In this paper, we introduce a decentralized Multi-agent Reinforcement Learning (MARL) charging framework that prioritizes the preservation of privacy for EV owners. We employ the Centralized Training Decentralized Execution-Deep Deterministic Policy Gradient (CTDE-DDPG) scheme, which provides valuable information to users during training while maintaining privacy during execution. Our results demonstrate that the CTDE framework improves the performance of the charging network by reducing the network costs. Moreover, we show that the Peak-to-Average Ratio (PAR) of the total demand is reduced, which, in turn, reduces the risk of transformer overload during the peak hours.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google