EnergAIze: Multi Agent Deep Deterministic Policy Gradient for Vehicle to Grid Energy Management

本文研究了可再生能源（RES）和电动汽车（EV）的不断增加的作用。虽然这标志着可持续能源的新时代，但也带来了复杂的挑战，包括需要在不断增长的EV采用率中平衡供需并平滑峰值消耗。解决这些挑战需要创新的解决方案，如需求响应（DR）、能量灵活管理、可再生能源社区（RECs）以及更具体的针对EV的车辆对网（V2G）技术。然而，现有的V2G方法在实际适应性、与其他灵活资产的全球REC优化、可扩展性和用户参与方面经常存在不足。为了填补这一差距，本文介绍了EnergAIze，这是一个多智能体强化学习（MARL）能源管理框架，利用多智能体深度确定性策略梯度（MADDPG）算法。EnergAIze通过允许每个生产者选择一系列个人管理目标来实现以用户为中心和多目标的能源管理，从而鼓励参与。此外，它通过分散式计算架构数据保护和所有权，每个生产者可以直接在自己的住所设立一个能源管理优化节点。本地节点不仅管理本地能源资产，而且促进REC的广泛优化。通过采用CityLearn模拟框架进行的案例研究评估了EnergAIze的功效。这些模拟对于展示EnergAIze在REC和其他能源资产中实施V2G技术的熟练程度非常有用。结果显示，在优化个人生产者目标的同时，在REC级别上减少了峰值负载、爬坡、碳排放和电力成本。

本论文旨在解决可再生能源和电动汽车的管理问题，如供需平衡、峰值消耗平滑等，同时提出了一种新的解决方案。

该论文提出了一个名为EnergAIze的多智能体强化学习能源管理框架，利用MADDPG算法实现用户中心化和多目标能源管理。

EnergAIze框架可以让每个用户选择个人管理目标，从而鼓励用户参与管理。此外，它通过分散式计算来保护数据和所有权，每个用户都可以在自己的住所设立一个能源管理优化节点。该框架通过CityLearn模拟框架进行了评估，结果表明EnergAIze在REC和其他能源资产中实现了V2G技术的优化，降低了峰值负荷、碳排放和电费。

最近的相关研究包括利用深度强化学习来管理电力系统和电动汽车的能源管理，例如“Deep Reinforcement Learning for Load Balancing in Large-Scale Renewable-Powered Wireless Networks”和“Distributed Energy Management for Electric Vehicles using Deep Reinforcement Learning”。