电动汽车充电的经济学:一种博弈论方法
本文提出了一种适用于日前期望保证可靠能量供应和维持稳定局部电网的 EV 车队协调模型,利用 EV 来储存多余能量,并在能量不足时释放,结果表明,EV 的协调充电和放电不仅满足平衡服务要求,还与用户偏好基本吻合。
Nov, 2023
本研究提出了基于深度强化学习和权益证明算法的多利益相关者分层车联网调度策略,能够促进可再生能源利用、保障电网稳定性,并且在真实运营环境下提高可再生能源消耗、缓解负荷波动、满足电动汽车需求、减少充电成本和电池衰减。
Aug, 2023
这篇论文介绍了一种电动汽车充电站(EVCS)模型,它考虑到现实世界的约束条件,如插槽功率限制、合同阈值超过惩罚或电动汽车(EVs)的早期断开连接。我们提出了一个对 EVCS 控制问题的不确定性建模,并实施了两种多级随机规划方法,利用用户提供的信息,即模型预测控制和两阶段随机规划。该模型解决了充电会话开始和结束时间以及能源需求的不确定性。基于停留时间相关的随机过程的用户行为模型提高了成本降低同时保持客户满意度。通过使用真实数据集进行为期 22 天的模拟,展示了两种提出的方法与两种基准的优势。考虑到更多的不确定性情景进行优化,两阶段方法表现出对早期断开连接的鲁棒性。优先考虑用户满意度而非电力成本的算法在两个用户满意度指标上相对于行业标准基准提高了 20% 和 36%。此外,在实现理论上的最佳基准时,该算法在成本和用户满意度之间达到了 94% 和 84% 的用户满意度表现,并仅出现 3% 的相对成本增加 - 放宽了无先见性约束。
Feb, 2024
本文旨在解决电动汽车在参与需求响应时如何优化充电 / 放电计划的问题。通过将问题建模为约束马尔可夫决策过程并采用增广拉格朗日方法和软性演员评论算法,提出了一种新的安全非同步策略优化强化学习方法,能够显著提高方案最优性和约束限制的达成。
Sep, 2022
电动汽车(EV)快速采用对电网的负荷高峰需求提出了挑战。最近采用了车辆对车辆充电(V2VC)方式,给电动汽车的管理和运营带来了新的机遇和挑战。我们提出了一种新颖的 V2VC 模型,使决策者在优化电动汽车运营时考虑到 V2VC。我们证明了优化 V2VC 问题是 NP - 完全的,并发现即使是小规模问题实例也具有计算上的挑战。我们提出了一种名为 R-V2VC 的启发式算法,利用了得到的完全单调约束矩阵,可以高效地解决实际规模的问题。我们的结果表明,R-V2VC 的解决时间随问题规模的增加呈线性增长,并且获得最优或接近最优质量的解决方案。R-V2VC 可用于实际运营,并在评估 V2VC 的成本和效益时进行假设情景研究。
Apr, 2024
提出了一种基于自适应多智能体系统哲学的完全去中心化智能充电系统,利用多臂赌博学习来处理系统中的不确定性,并考虑了不同参与者的公平性,通过详细案例研究进行了性能评估。
Jul, 2023
本文提出使用强化学习和马尔科夫决策过程 (MDP) 来协调多个电动汽车充电点,通过减少训练时间和使用线性空间和时间复杂度的新 MDP 公式,改善了业内现有技术,提高了充电需求协调达 40-50%的性能。
Mar, 2022
本研究基于强化学习算法,从车辆装载容量、时间窗口、能量供应等多个因素出发,在大规模客户和配电站环境下,构建了满足多个系统目标的电动车路由模型,并通过实验证明,该方法不但在速度上快于混合整数线性规划和遗传算法元启发式算法,而且结果质量接近最优解。
Apr, 2022
本文针对电动汽车普及带来的电力网承载压力问题,提出了一种面向大规模网络化电动车充电站的预定管理程序,运用数据驱动的优化框架,结合深度学习和近似算法技术,实现电动车用户总体福利最大化,有效提高电网稳定性和效率,取得了比两种典型调度算法更好的效果,为进一步探索奠定了基础。
May, 2023