Coordination of Power and Transportation Networks With Integrated Electricity-Hydrogen Stations: A Reinforcement Learning Approach Considering Delayed Reward
Notice bibliographique
Résumé
The increasing adoption of electric vehicles (EVs) and fuel cell EVs (FCEVs) has intensified the coupling between urban transportation and energy systems. However, existing approaches lack effective optimization strategies for integrated transportation–energy systems, particularly in managing integrated electricity-hydrogen stations (IEHSs) to maximize revenue while serving various vehicle types, such as EVs and FCEVs. The present work proposes a dynamic optimization strategy for IEHSs that enhances the operation of IEHSs, power distribution networks, and transportation networks by guiding vehicle charging and fueling decisions. The sensitivity of vehicular traffic to system-level decisions is ensured by establishing a mixed dynamic user equilibrium model incorporating EVs, FCEVs, and conventional-fuel vehicles. An IEHS operation framework that integrates discount coupon allocation and hydrogen production/storage strategies is designed with traffic flow feedback and distribution locational marginal pricing. The inherent delayed reward problem in transportation, where the impacts of pricing decisions on station revenue and traffic congestion manifest over extended time horizons, is addressed by applying a multi-agent deep reinforcement learning approach, featuring a dual-critic architecture based on long short-term memory networks under the sequence markov decision process framework, to redistribute delayed rewards. The results of numerical computations involving real-world traffic and power networks demonstrate that the proposed approach improves IEHS profitability, balances charging demand, and alleviates traffic congestion compared with static and semi-dynamic traffic approaches.
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 ».