داریوش کیهان اصل

این پژوهش به مدیریت منصفانه شارژ خودروهای برقی در پارکینگ ها می پردازد. در سیستم های فنی (مثل شارژ خودروهای برقی)، انصاف یعنی منابع محدود انرژی طوری توزیع شوند که هیچ کاربری به طور نامعقول متضرر نشود و اختلاف شدید در سطح خدمت بین کاربران ایجاد نشود. شاخص انصاف JAIN را به عنوان معیار اصلی ارزیابی و نیز جزء تابع هدف و پاداش در برخی مدل ها به کار می گیرد. مسئله با در نظر گرفتن قیود عملی شامل ظرفیت توان ایستگاه، تعداد نازل های فعال، پویایی وضعیت شارژ باتری و محدودیت های شبکه توزیع فرموله شده است. برای مقایسه، چهار سیاست زمانبندی بررسی شده اند: اولین ورود اولین خدمت، زودترین موعد انجام، بهینه سازی و یادگیری تقویتی با پاداش ترکیبی کارایی–انصاف. سناریوهای شبیه سازی برای 10 ، 50 و 100 و 1200 خودرو و نیز نسبت های مختلف خودروهای شارژ سریع طراحی گردیده است. نتایج نشان می دهد روش بهینه سازی بالاترین میزان انصاف را حاصل می کند و روش RL با برقراری توازن میان بهره وری و انصاف عملکرد نزدیک به بهینه سازی دارد، در حالیکه اولین ورود اولین خدمت پایین ترین مقدار انصاف را به دست می دهد. افزایش سهم خودروهای شارژ سریع موجب افت معنی دار شاخص انصاف می شود و افزودن تعداد نازل های فعال می تواند توزیع عادلانه تری ایجاد کند. روند آموزش عامل RL نیز نشان دهنده همگرایی تدریجی پاداش میانگین است برای بررسی قیود شبکه، ایستگاه هایی با ظرفیت 1500 و 2500 کیلووات به ترتیب بر روی شبکه های استاندارد مدل سازی شده اند. نتایج بیانگر حساسیت چشمگیر تلفات و افت ولتاژ به محل اتصال ایستگاه است و اعمال سیاست بهینه سازی، نسبت به حالت شارژ بدون نظارت، پایداری ولتاژ و محدودسازی توان لحظه ای را بهبود می بخشد. در مجموع، چارچوب ارائه شده نشان می دهد می توان با ترکیب روش های بهینه سازی و یادگیری تقویتی، ضمن رعایت محدودیت های شبکه، انصاف و رضایت کاربران را به طور معناداری افزایش داد.