基于改进DQN的大规模电动汽车充电调度方法、装置和介质制造方法及图纸

本发明专利技术提供于改进DQN的大规模电动汽车充电调度方法、装置和介质，涉及电动汽车充电调度技术领域。方法包含S1、获取第一电网信息。S2、将第一电网信息输入电动汽车选择网络，以获取各个电动汽车进行充电调度的预期收益值。S3、根据预期收益值，选择当前状态下可调度的具有最小Q‑value的电动汽车。S4、将所选的电动汽车的状态向量和当前所有可用充电设备的状态信息构造为第二电网信息。S5、将第二电网信息输入到充电状态选择网络，以获取当前选择的电动汽车进行充电的回报值估计。充电状态选择网络包括依次连接的基于卷积神经网络的特征提取模块、基于噪声的探索模块INEM，以及全连接层FC。S6、根据回报值估计，选择其中估计值最小的充电桩为电动汽车充电。

【技术实现步骤摘要】

本专利技术涉及电动汽车充电调度，具体而言，涉及一种基于改进dqn的大规模电动汽车充电调度方法、装置和介质。

技术介绍

1、充电基础设施的不足和大规模电动汽车充电调度算法的效率问题构成了电动汽车推广的核心障碍。在电动汽车充电调度领域的研究历史中，元启发式、强化学习(rl)和深度强化学习(drl)是三种主要的技术手段。元启发式方法虽然能够产生实时解决方案，但其搜索过程较为缓慢；而强化学习方法则需要通过大量的迭代，通过智能体与环境的交互来积累数据并构建状态，这在一定程度上限制了其在实时充电调度中的应用效果。

2、在处理复杂环境下的大规模电动汽车充电调度问题时，当前基于drl的方法面临着状态表示、模型构建和探索策略等方面的挑战。这些挑战限制了算法处理大规模问题的能力，使得在实际应用中得到的解决方案效率不尽如人意。

3、因此，针对这些技术难题的进一步研究和创新是提升电动汽车充电调度效率、推动电动汽车行业发展的关键所在。有鉴于此，申请人在研究了现有的技术后特提出本申请。

技术实现思路>

1、本专利技本文档来自技高网...

【技术保护点】

1.一种基于改进DQN的大规模电动汽车充电调度方法，其特征在于，包含：

2.根据权利要求1所述的一种基于改进DQN的大规模电动汽车充电调度方法，其特征在于，所述细粒度特征提取模块FFEM包括依次连接的两个子模块和一个用以连接输入和输出的卷积层Conv；

3.根据权利要求2所述的一种基于改进DQN的大规模电动汽车充电调度方法，其特征在于，所述子模块内的卷积层Conv为3×3卷积层Conv；

4.根据权利要求1所述的一种基于改进DQN的大规模电动汽车充电调度方法，其特征在于，所述基于噪声的探索模块INEM包括依次连接的一个drop out层和两个噪声模块；...

【技术特征摘要】

1.一种基于改进dqn的大规模电动汽车充电调度方法，其特征在于，包含：

2.根据权利要求1所述的一种基于改进dqn的大规模电动汽车充电调度方法，其特征在于，所述细粒度特征提取模块ffem包括依次连接的两个子模块和一个用以连接输入和输出的卷积层conv；

3.根据权利要求2所述的一种基于改进dqn的大规模电动汽车充电调度方法，其特征在于，所述子模块内的卷积层conv为3×3卷积层conv；

4.根据权利要求1所述的一种基于改进dqn的大规模电动汽车充电调度方法，其特征在于，所述基于噪声的探索模块inem包括依次连接的一个drop out层和两个噪声模块；噪声模块包括依次连接的带噪声的线性层noisy linear layer和修正线性单元relu。

5.根据权利要求4所述的一种基于改进dqn的大规模电动汽车充电调度方法，其特征在于，所述带噪声的线性层的表达式为：

6.根据权利要求1所述的一种基于改进dqn的大规模电动汽车充电调度方法，其特征在于，所述dueling模块包含平行的优势值预测器和状态值预测器，以及分别连接于所述优势值预测器和状...

【专利技术属性】
技术研发人员：李天阳，韩英男，路阳，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：