Out-of-Distribution-Aware Electric Vehicle Charging

要約

私たちは、配電外 (OOD) データを使用して電気自動車 (EV) を充電する方法を学習するという課題に取り組んでいます。
従来のスケジューリング アルゴリズムは通常、特に OOD データの場合、最適に近い平均パフォーマンスと最悪の場合の保証のバランスをとることができません。
モデル予測制御 (MPC) は保守的すぎてデータに依存しないことがよくありますが、強化学習 (RL) は過度に積極的でデータを完全に信頼する傾向があり、両方の長所を一貫して達成する能力を妨げています。
このギャップを埋めるために、OOD-Charging と呼ばれる新しい OOD 対応スケジューリング アルゴリズムを導入します。
このアルゴリズムは動的な「認識半径」を採用しており、OOD の重大度を反映する時間差 (TD) エラーに基づいてリアルタイムで更新されます。
OOD 充電アルゴリズムにより、EV の充電スケジュールにおける一貫性と堅牢性の間のより効果的なバランスが可能となり、実際の充電環境における適応性と効率が大幅に向上します。
私たちの結果は、このアプローチが、カリフォルニア工科大学 ACN データにおける 新型コロナウイルス感染症による EV 充電行動の顕著な変化を伴う実際の OOD シナリオの下で、スケジューリング報酬を確実に改善することを示しています。

要約(オリジナル)

We tackle the challenge of learning to charge Electric Vehicles (EVs) with Out-of-Distribution (OOD) data. Traditional scheduling algorithms typically fail to balance near-optimal average performance with worst-case guarantees, particularly with OOD data. Model Predictive Control (MPC) is often too conservative and data-independent, whereas Reinforcement Learning (RL) tends to be overly aggressive and fully trusts the data, hindering their ability to consistently achieve the best-of-both-worlds. To bridge this gap, we introduce a novel OOD-aware scheduling algorithm, denoted OOD-Charging. This algorithm employs a dynamic ‘awareness radius’, which updates in real-time based on the Temporal Difference (TD)-error that reflects the severity of OOD. The OOD-Charging algorithm allows for a more effective balance between consistency and robustness in EV charging schedules, thereby significantly enhancing adaptability and efficiency in real-world charging environments. Our results demonstrate that this approach improves the scheduling reward reliably under real OOD scenarios with remarkable shifts of EV charging behaviors caused by COVID-19 in the Caltech ACN-Data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google