面向配电网络中电动汽车充电站管理的安全感知强化学习

本文提出使用强化学习和马尔科夫决策过程协调电动汽车充电点，改善了充电需求协调性能，提升了40-50%。

提出了名为Master的框架，采用深度强化学习方法，智能推荐公共电动汽车充电站，考虑长期时空因素。

通过约束马尔可夫决策过程和增广拉格朗日方法，优化电动汽车的充电/放电计划，显著提高方案的最优性和约束达成率。

结合多智能体深度强化学习方法，优化电动车充电与放电过程，平衡车辆与电网之间的利益，减少驾驶员焦虑。

引入新的学习增强策略，实时适应强化学习策略，提升电动汽车充电调度的适应性和效率。

采用去中心化的多智能体强化学习框架，降低网络成本，减少用电峰值与平均值之比，降低变压器过载风险。

基于强化学习算法构建电动车路由模型，满足多个系统目标，速度快于传统算法，结果接近最优解。

提出改进的成本函数，使得控制策略满足不具备灵活性的充电需求，并使用真实数据对比学习性能。