Une recommandation intelligente pour des stations de charge intelligemment accessibles : Chargement de véhicules électroniques pour soutenir une ville touristique intelligente et durable

Le monde entre dans une ère de sensibilisation à la préservation de la durabilité énergétique naturelle. Par conséquent, les véhicules électriques (VE) sont devenus une alternative populaire dans le système de transport d'aujourd'hui car ils n'émettent aucune émission, économisent de l'énergie et réduisent la pollution. L'un des problèmes les plus importants des VE est une infrastructure de recharge inadéquate et une demande de recharge spatialement et temporellement inégale. Ainsi, les conducteurs de VE dans de nombreuses grandes villes rencontrent fréquemment des difficultés pour trouver des emplacements de charge appropriés. De plus, l'émergence récente de l'apprentissage par renforcement profond a montré un grand potentiel pour améliorer l'expérience de recharge de diverses manières à long terme. Dans cet article, un cadre d'apprentissage par renforcement multi-agent spatio-temporel (STMARL) est proposé pour des stations de charge accessibles au public, en tenant compte de plusieurs paramètres spatio-temporels à long terme. Comparé à un système de recommandation de sélection aléatoire, les résultats expérimentaux montrent qu'un cadre STMARL a pour objectif à long terme de réduire le temps d'attente de recharge total (CWT), le prix de recharge moyen (CP) et le taux d'échec de recharge (CFR) des VE.