使用深度强化学习进行电动车辆在微电网中的充电和放电活动调度，以对齐配电系统运营商提供的目标能源配置文件。

Jan, 2024

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

该研究提出了一种新的分布式电网电压调节方案，通过巧妙地耦合数据驱动与基于物理的优化来解决电动汽车和可再生发电设备带来的电压波动问题，并利用深度强化学习算法在每小时更慢的时间尺度上配置电容器最小化长期折扣电压偏差。

Apr, 2019

通过在德克萨斯州的背景下研究电动汽车（EVs）、可再生能源和智能电网技术的融合，本研究探讨了阻碍 EVs 广泛采用的挑战。通过动态时间扭曲（DTW）聚类和 k-means 聚类方法，根据总负荷和净负荷将每天进行分类，提供了关于日常电力消费和可再生能源产生模式的细致深入的洞察。通过建立根据特定负荷特性进行优化的充电和车辆对电网（V2G）窗口，该研究为能源消费和可再生能源整合的战略决策提供了复杂的方法。研究结果对于将 EVs 无缝融入智能电网，实现可持续和有弹性的能源未来的话题做出了贡献。

Oct, 2023

本文提出了一种使用深度强化学习方法的车辆 - 电网技术中，对转移学习方面具有显著表现的连续充放电协调策略。该方法可以高效地优化电动汽车聚合器在实际操作条件下的实时充电 / 放电功率，与无控制充电相比，负荷变化减少了 97.37$％$，充电成本降低了 76.56$％$。

Oct, 2022

本文研究了智能电网与插电式电动车群组之间的网 - 车之间的能量交换问题，并使用非合作博弈模型进行分析。在模型中，智能电网作为领导者，需要制定价格以优化收益，并确保插电式电动车群组的参与。而插电式电动车群组则需要考虑从电池充电中获得的收益和相关成本的权衡来确定充电策略。本文提出了一种分布式算法以实现智能电网和插电式电动车群组之间的均衡，并将其扩展到可处理缓慢变化环境的时变情形。

Aug, 2012

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

通过可解释的机器学习分析，研究了欧洲同步区之间高压直流电 (HVDC) 连接的功率不平衡与功率流对电网频率的相互作用，结果显示，市场基础的 HVDC 流量会引入确定性频率偏差，但通过对严格的斜率极限的控制可以减轻偏差，同时负载 - 频率控制过程会对频率稳定性产生控制或干扰类的影响。

Apr, 2022

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

本文通过综合考虑电压规律成本和保护装置升级等实际方面，在城市系统规划中探讨了电动汽车的充电站布局问题。通过逐步添加限制条件，我们的敏感度分析以及数值结果证明了该方法具有普遍适用性和小的近似误差，并揭示了不同城市之间不同因素的权衡关系。同时，本研究唯一的发现是在充电站的城市系统规划中，考虑到保护装置升级的重要性。

Aug, 2018