Deep Reinforcement Learning-Based Charging Price Determination Considering the Coordinated Operation of Hydrogen Fuel Cell Electric Vehicle, Power Network and Transportation Network
Notice bibliographique
Résumé
Currently, hydrogen fuel cell electric vehicles (HFCEVs) are becoming more financially accessible as an alternative to petroleum-powered vehicles, while also decreasing carbon dioxide emissions. However, the coordinated scheduling of HFCEVs refueling with the operations of hydrogen refueling stations, electrical power network (PN), and transportation networks (TN) represents an integral challenge. This complex problem encompasses a combinatorial mixed-integer nonlinear optimization problem with a sizeable number of decision variables. Existing methods struggle to adequately solve this problem. In this article, deep reinforcement learning (DRL) is deployed to determine the refuelling price to guide the HFCEV refuelling in the transportation network. First, HFCEV traffic flow model based on the refuelling price in real-world TN is presented. Then, the HFCEVs hydrogen demands in the microgrid is presented. After that, an IEEE 30 nodes utility grid exporting electricity to microgrids is presented. At last, DRL (DDPG, TD3, SAC, PPO) is deployed to determine the price based on the traffic condition of the TN and the voltage condition of the PN. The simulation results demonstrate that through the DRL price agent, the total travel time of the TN and the total operation costs of the PN are all reduced, and multiagent DDPG and TD3 algorithm have the best performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».