An Intelligent recommendation for intelligently accessible charging stations: electronic vehicle charging to support a sustainable smart tourism city

Autor: Chawalin Niamsorn, Kittisak Jermsittiparsert, Pannee Suanpang, Phuripoj Kaewyong, Pitchaya Jamjuntr

Editor: Multidisciplinary Digital Publishing Institute (MDPI)

Fecha de publicación: 01/01/2023

País: Suiza

Tipo de documentación: Artículo de investigación

Idiomas: Inglés

Resumen: "An Intelligent recommendation for intelligently accessible charging stations: electronic vehicle charging to support a sustainable smart tourism city", que se puede traducir por "Una recomendación inteligente para estaciones de carga inteligentemente accesibles: carga electrónica de vehículos para respaldar una ciudad turística inteligente y sostenible", es un artículo publicado en la revista Sustainability (Basel, Switzerland), 2023, Vol.15 (1), p.455.

El mundo está entrando en una era de concienciación sobre la preservación de la sostenibilidad energética natural. Por lo tanto, los vehículos eléctricos (EV) se han convertido en una alternativa popular en el sistema de transporte actual, ya que no generan emisiones, ahorran energía y reducen la contaminación. Uno de los problemas más importantes de los vehículos eléctricos es una infraestructura de carga inadecuada y demandas de carga desiguales espacial y temporalmente. Como tal, los conductores de vehículos eléctricos en muchas grandes ciudades suelen tener dificultades para encontrar lugares de carga adecuados. Además, la reciente aparición del aprendizaje por refuerzo profundo se ha mostrado muy prometedor para mejorar la experiencia de carga de diversas formas a largo plazo. En este artículo, se propone un marco de aprendizaje por refuerzo de múltiples agentes espacio-temporal (STMARL) (Maestría) para estaciones de carga inteligentemente accesibles al público, teniendo en cuenta varios parámetros espacio-temporales a largo plazo. En comparación con un sistema de recomendación de selección aleatoria, los resultados experimentales demuestran que un marco STMARL (maestro) tiene el objetivo a largo plazo de reducir el tiempo de espera de carga general (CWT), el precio de carga promedio (CP) y la tasa de fallas de carga (CFR). ) de vehículos eléctricos.