基于神经架构的电动汽车充电资源分配及Myerson拍卖研究

⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 7（2021）196www.elsevier.com/locate/icte通过神经架构Myerson拍卖的真实电动汽车充电Haemin Lee，Soyi JungKim，Joongheon Kim大韩民国首尔高丽大学电气工程学院接收日期：2021年1月31日;接收日期：2021年2月27日;接受日期：2021年3月21日2021年4月19日网上发售摘要电动汽车（EV）市场的增长是由于使用可再生能源减少温室气体排放的好处。在这种情况下，电动汽车在充电站（CS）的充电方案也很重要。电子设备的充电之间EV和多个CS应考虑EV的电池容量短、充电时间长、每个CS中的剩余能量以及充电的使用时间（ToU）。在本文中，多个CS竞争提供电力充电到一个单一的电动汽车。基于这一需求，本文提出了一种基于深度学习的拍卖，在保持真实性的同时，使用Myerson拍卖增加收费金额c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：电动汽车充电;迈尔森拍卖;资源分配;边缘计算1. 介绍由于全世界对环境保护的认识，对内燃机车辆的法规已经收紧。作为其中的一部分，可再生能源（RER）和电动汽车（EV）的使用对增加可再生能源的渗透率起着重要作用[1]。虽然EV具有行驶距离的限制，但是可以根据充电站（CS）的开发和部署来处理该限制，以在EV的行驶和物流期间对EV的电池进行充电。电动汽车将占据美国国家运输车队的相当大一部分，到2050年约占新电动汽车销量的50%，应用电动汽车将对电网提出新的挑战，特别是在电动汽车充电管理方面。在本文中，我们考虑的情况下，CS竞争的机会，以赚取利益，提供电力给电动汽车。然而，电动汽车的电池寿命短，容量小，充电时间长。因此， 在考虑CS位置及其剩余电池状态的情况下，道路应该由CS服务以在其完全放电之前进行充电。∗ 通讯作者。电子邮件地址：haemin2@korea.ac.kr（H.Lee），jungsoyi@korea.ac.kr（S.Jung），joongheon@korea.ac.kr（J.Kim）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.03.009因此，我们提出了一种通过计算EV和多个CS之间的充电调度（即，选择一个CS以便对EV充电）通过基于深度学习的Myerson拍卖机制，如图2所示。1.一、想要被充电的EV参与用于在附近的CS中选择一个CS的拍卖。为了实现安全和真实的充电调度优化和资源分配，可以使用基于第二价格拍卖（SPA）的算法，其广泛用于分布式资源分配问题[3，4]，而它不是收入最优的（即，要充电的电量将不是最大值）。为了提高类似于收入最优的第一价格拍卖（FPA）中的支付的收入，可以使用基于深度学习的计算。已有几个应用研究成果用于解决变异Myerson拍卖的分布式资源分配问题，例如，无人机网络资源分配[3]、区块链系统管理[5]、无线资源分配[6]、卫星资源分配[7]、智能电网管理[8]和移动边缘计算[9]。如上所述，传统的真实SPA基本上是使用的，然后基于深度学习的计算方法是用于优化收入（即，拍卖者利益最大化，相当于电动汽车充电量最大化）。2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。H. 李，S。Jung和J.金ICT Express 7（2021）196197王空军王空军k∈K=×王空军王空军Fig. 1. 充电调度架构。2. 电动汽车充电我们的系统由边缘服务器收费管理系统、EV和CS组成，如图所示。1.一、充电调度问题可以被认为是一个单一的项目SPA，其中EV被认为是卖方和CS被假定为买方。我们的边缘服务器扮演着拍卖者的角色，进行整个拍卖 过 程 。 [10] 中 的 工 作 ， 移 动 性 感 知 移 动 边 缘 计 算（MEC）服务器与机会性遇到的EV交互，以传播CS为了开始拍卖过程，需要充电的EV发送拍卖请求消息和EV简档（即，状态 收费和位置）到边缘服务器。边缘服务器(1)从EV接收拍卖请求消息和简档，（2）向覆盖范围内的CS广播拍卖发起/开始消息，以及（3）负责与可用CS的整个拍卖过程（即，可用于拍卖过程参与的CS）。这里，从边缘服务器接收到发起/开始消息的每个CS首先确定其剩余容量是否可用于考虑EV因此，可用于计费服务的所选CS（例如，就充电空间/槽的数目或充电容量而言）将加入拍卖程序。由于CS配备有能量存储系统（ESS）装置，通过不规则的电力由于每个CS中ESS的容量，快速销售并获得利润是有利可图的，因此，很明显，较大的ri确保较高的利润。最后，这意味着政务司司长愿意支付高价参加拍卖，以获得提供电力的机会。CS基于其估值进行战略性投标，以增加其效用。然后，拍卖师收集来自CS的所有出价，然后，将EV调度给具有最高分配概率的获胜者CSui。在此过程之后，边缘服务器决定对获胜者CS的最终支付。因此，收入被定义为收益，即，在每个时隙中被选为获胜者的CS所获取的充电电量。然后，获胜者CS将其位置移交给边缘服务器，使得EV可以识别CS。3. 通过深度学习在本节中，我们将展示基于深度学习的自动化如何最大限度地提高EV的预期收入（即，充电量），同时保证真实性和收入最优性。在本节中，用于深度学习以解决我们提出的基于拍卖的问题的详细神经架构被呈现为以下小节，即，单调网络（参见3.1节）、分配网络（参见3.2节）和支付网络（参见3.3节）。单调网络用于随机采样，以近似伪最优收入值。此外，分配网络和支付网络用于确定获胜者CS和支付（电量充电）。3.1. 单调网络我们在本文中使用的单调网络表示为φi，并在Myerson拍卖[4]中扮演虚拟估价的角色。CS的输入出价bi在通过单调网络时被转换为bi，该单调网络由多个线性函数的最大/最小运算组成。在我们提出的单调网络中，我们使用K组J线性函数。单调网络φi定义如下[4]，φi（bi）=maxmin（wibi+βi）（ 1）RER电力的发电和充电其中wi和βi是我们考虑的训练参数系统中，ESS中存储的电量实时变化[11]。CS的估值可以考虑ESS的特点来确定，每个CS独立行动，EV和边缘服务器都不知道实际价值。的状态单调网络架构。我们所考虑的单调网络φi−1的逆变换可以直接从变换函数导出如下，φ−1 （ y ） =minmax （ wi ） −1 （ y−βi ） 。（二）ESS的充电（SoC），即，剩余容量率ri，iToU费率的变量由ti表示。估值Vik∈K可以用viri ti表示。注意，需要考虑剩余能量，因为CS从公用事业公司购买能量不是免费的[12]。我们假设变量ti由季节和时间上的负载模式确定。因此，当ti较大时，CS有更多的动机加入拍卖。为余留事项3.2. 分配网络SPA分配网络映射具有最高非零变换出价的EV和CS。softmax层将分配概率绘制为输出，其中转换后的出价b<$i和虚拟输入bN<$+1=0。从语义上讲，softmaxH. 李，S。Jung和J.金ICT Express 7（2021）196198我我1N +1∑<$N+1kb je我−王空军我王空军<$=<$∈我R（w，β）=−∑g（v）p（v）.（六）图二. 收入计算结果。用于取最大值。使用softmax的分配网络可以表示如下，g（b<$）=softmax（b<$，. . . ，b<$;k）=ekb<$i，n∈N（3）j=1其中k是softmax函数的参数，它决定了近似的质量[3，4]。参数k是决定softmax近似质量的常数。随着k的增加，近似可以更精确，而分配函数的光滑性变得更小[4]。3.3. 支付网络支付网络确定从获胜者CS到获胜者EV的最终电费金额p1对于我们的支付网络，我们使用如下的ReLU激活函数来使支付是非负的，p0 （ b ）ReLU （ max bj ） ，N.（四）j最后，从获胜者CS到EV的最终充电量可以计算如下，pi=φ−1（p0（b<$））。（五）表1收入随k和N而变化。SP A k=1k=2k=35辆车0.3300 1.1529 1.152918 1.153010辆汽车1.2340 2.2749 2.2751 2.27604. 绩效评价在本节中，我们将基于深度学习的最优拍卖应用于EV充电调度，并将所提出的基于深度学习的最优拍卖与SPA作为基线进行比较。我们使用PyTorch库构建了一个神经网络。为了评估我们提出的神经网络拍卖，其中充电站的数量为5和10。参数k在1到3之间变化，并决定近似的质量。ti和ri在以下范围内均匀生成：01.根据迭代次数计算的EV收益如图2所示。数值结果见表1。我们首先确认，与传统SPA相比，我们基于深度学习的拍卖获得了更高的收入。接下来，我们评估参数k的影响。预期收入在1到3之间变化时收敛得更快，收入随着迭代的增加而稳定。此外，两人3.4. 神经结构训练我们训练神经结构参数wi和βi，将估值曲线作为训练集，并最小化损失函数。这里，损失函数被定义为负的数字显示了类似的收入模式，随着参与CS的数量从5到10的变化而增加。这意味着当更多的CS竞争时，他们通常会以高概率提交更高的出价，这导致更高的价格和收入（即，因此更高的充电量）。Myerson拍卖的收入。损失函数R如下，N被定义实验结果与我们的预期一致随着参与竞标者数量的增加，深度学习拍卖为电动汽车带来了更多的（w，β）s（w，β）SI Ii=1分配网络和支付网络的结果被用于训练参数，我们使用随机梯度下降优化器来训练R。调度平台5. 结论意见和今后的工作本文通过电动汽车充电中的深度神经架构，提出了基H. 李，S。Jung和J.金ICT Express 7（2021）196199于Myerson拍卖的最优收益拍卖H. 李，S。Jung和J.金ICT Express 7（2021）196200场景这种拍卖过程还可以通过为环保电动汽车充电和提供稳定的电力来促进可再生能源的使用。在本文中，边缘服务器收费管理系统管理整个拍卖过程。对于EV-CS充电调度，我们通过应用神经网络架构来改善传统的SPA收益，同时实现真实的拍卖特性。我们通过优化损失函数来训练神经网络，而无需复杂的先验知识，并且基于性能评估结果，我们可以确认我们基于深度学习的Myerson auc- tion可以实现期望的性能（即，选择CS用于对EV充电，以便使充电的电量最大化）。对于未来的工作，可以考虑基于深度学习的多充电站拍卖，以在更现实的环境中扩展我们在本文中提出的算法。此外，充电时间的具体考虑因素将在未来的研究中得到解决，以实现更现实的算法设计和实现。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢本 研 究 得 到 了 韩 国 国 家 研 究 基 金 会（2019M3E3A1084054，2019R1A2C4070663）的支持。以及韩国大学未来研究基金（KU-FRG）。引用[1] A. Colmenar-Santos，A.M. Muñoz Gómez，E. Rosales-Asensio，P.López-Rey，电动汽车充电战略，以支持欧洲2050年低碳情景中的可再生能源，能源183（2019）61-74。[2] Y. Cao，N. Wang，G. Kamel，Y. J. Kim，一种电动汽车充电器-基于发布/订阅通信框架，IEEE系统的管理方案。J. 11（3）（2015）1822[3] M. Shin，J. Kim，M. Levorato，基于拍卖的多无人机网络深度学习框架的充电调度，IEEE Trans。技术68（5）（2019）4235-4248。[4] P. Dütting ， Z. Feng ， H. Narasimhan ， D. Parkes ， S.S.Ravindranath，通过深度学习优化拍卖，在：Proc1706[5] 北卡罗来纳Luong，Z. Xiong，P. Wang，D. Niyato，移动区块链网络中边缘计算资源管理的最佳拍卖：一种深度学习方法，在：Proc.IEEE5月1日[6] J. Qian，K.朱河，巴西-地Wang，Y. Zhao，无线虚拟化中资源分配的最优拍卖：一种深度学习方法，在：Proc. IEEE 535[7] J. Kim，T.D. Ngo，P.S.哦，S. S. - C.权角，澳-地Han，J. Kim，Economic theoretical LEO satellite coverage control：An auction basedframework，in：Proc.IEEE信息和通信技术融合，ICTC，2020年。[8] H. Ahn，J. Kim，J. Kim，智能电网系统基于拍卖的真实分布式资源分配，在：Proc. IEEE[9] H.李，S。Park，J. Kim，J. Kim，基于Auction-based deep learningcomputation offloading for truthful edge computing ： A Myersonauction approach，in：Proc. IEEE[10] Y. Cao，H. Song，O.凯瓦蒂亚湾Zhou，Y. Zhuang，Y.广西壮族自治区Cao，X. Zhang，Mobile edge computing for big-data-enabledelectric vehiclecharging，IEEE Commun. 麦格56（3）（2018）150[11] A.达米亚诺湾加托岛马隆久湾Porru，A.可再生能源开发中储能系统的实时控制策略，IEEE Trans. 坚持住。能源5（2）（2013）567[12] M.申，D.- H. Choi，J. Kim，PV/ESS启用的电动汽车充电站的合作管理：多智能体深度学习方法，IEEE Trans. Ind. Inf. 16（5）（2020）3493-3503。进一步阅读[1] R.B.最优拍卖设计，数学。Res. 6（1）（1981）58-73。[2] S. Chawla，J.D.哈特莱恩河Kleinberg，通过虚拟估值进行的市场定价，见：Proc.ACM电子商务会议，2007年，第100页。243