基于强化学习的电动汽车集群实时优化调度策略

针对大规模电动汽车的实时调度存在维度高和随机性强等问题,提出基于强化学习的电动汽车集群实时优化调度策略。首先,以最小化综合成本（机组发电成本和补贴成本）为目标,建立电动汽车集群参与的电网机组经济调度模型。将实时阶段下的该模型构建为一个马尔可夫决策过程,利用基于最大熵的深度强化学习算法对马尔可夫决策过程进行模型训练和求解。此外,融合强化学习不依赖预测信息和运筹优化算法保证物理约束的优势,将电动汽车充电和机组出力分开优化调度。最后,通过算例验证所提策略在降低成本和削峰填谷方面的可行性和有效性。     

基于深度强化学习的电动汽车实时调度策略

电动汽车(EV)作为一种分布式储能装置,对抑制功率波动有着巨大的潜力。考虑EV接入的随机性及可再生能源出力和负荷的不确定性,利用不基于模型的深度强化学习方法,建立了以最小功率波动及最小充放电费用为目标的实时调度模型。为满足用户的用电需求,采用充放电能量边界模型表征电动汽车的充放电行为。在对所提模型进行日前训练及参数保存后,针对日内每一时刻系统运行的实时状态量,生成该时刻充放电调度策略。最后以某微电网为例,验证了所提基于深度强化学习的调度方法在满足用户充电需求的前提下,可以有效减小微电网内的功率波动,降低EV充放电费用;日内不需要迭代计算,可以满足实时调度的要求。     

电动汽车换电站有序充电调度策略研究

大规模电动汽车无序充电行为会对电网经济运行造成影响,迫切要求实现有序充电技术。根据电动汽车换电站特点,提出了以换电站充电功率为控制对象的有序充电调度策略,建立不同目标函数的调度策略数学模型,并采用粒子群算法求解,得到次日优化充电计划。基于某地区负荷曲线进行算例仿真,验证了算法的有效性,比较了不同优化目标的调度策略对负荷曲线的影响,分析了优化目标函数值随换电站容量的变化趋势。结果表明,提出的换电站有序充电调度策略能够有效地减小电网峰谷差,提高负荷率,起到平稳负荷波动的作用。     

基于线性优化的电动汽车换电站最优充放电策略

电动汽车的充放电行为会对电网运行的安全性和经济性产生重要影响。文中首先比较和分析3种常用充电模式的特点与适用场合。其次,基于分时电价机制,分析电动汽车换电站的运营与盈利模式,并以此为依据建立换电站的收益函数。然后,基于一定的简化和假设条件,以换电站运营收益最大化为目标函数,兼顾各类运营约束条件,建立换电站最优充放电策略的线性优化模型。最后,以2种电价定价方式验证建立的模型。算例表明,文中提出的优化模型简单有效,所得研究结果可以帮助电动汽车换电站运营方获得最大经济收益,同时也可以为电网管理部门对换电站的管理与调度提供依据。     

风火储电动汽车换电站联合优化调度

将电动汽车换电站作为一种灵活的储能设备纳入电力系统优化调度,建立风火储电动汽车换电站的联合优化调度模型。模型考虑火电煤耗成本、风电节能减排效益、换电站运营成本和备用容量成本,以系统运行成本最小为目标函数,采用CPLEX求解器对模型进行求解,以含1个风电场和5座换电站的10机系统为仿真算例。仿真结果表明：联合优化调度利用换电站有序充放电能有效平抑风电波动,降低电网调峰压力,提高电网风电消纳量,实现电能的有序高效利用。     

电动汽车换电站可用电池组数动态调度策略

电动汽车换电站由于其换电过程耗时短、便于统一管理等优点,成为了电动汽车电能补充的重要方式。但由于电动汽车用户的换电需求具有随机性,目前的预测方法不能很准确地对其进行预测,因此对换电站精确地制定充放电调度计划有较大难度。针对这一问题,建立换电站日前调度与实时调度模型,并通过粒子群算法在Matlab中完成仿真计算。在日前调度模型中通过对用户换电需求的预测制定日前调度计划,在满足各时段需求的前提下优化换电站各时段充放电功率;在实时调度模型中根据各时段需求预测的误差,来动态调整后续时段的调度计划。通过实时调度与日前调度的协调,使换电站抑制了用户实际需求波动影响,同时合理兼顾用户利益、换电站收益与电网的优化运行。     

电动汽车充换储一体化电站的优化调度策略及应用

随着电动汽车数目的 增加,需要不断提升其能源优化管理策略,以充分发挥电动汽车潜能,实现低碳经济供电的目标.针对含电动汽车的充换储一体化电站,研究其预测能源优化管理问题.首先,基于电动汽车出行链特性分析,采用蒙特卡洛算法对电动汽车负荷量进行预测.然后,针对电动汽车充换储一体化电站、可中断负荷和分布式电站组成的虚拟电厂,以...     

基于深度强化学习的大规模电动汽车充换电负荷优化调度

针对大规模充换电站的聚合优化调度问题,提出一种基于SAC深度强化学习的充换电负荷实时优化调度策略。该策略充分考虑了负荷调控过程中的用户因素、系统因素和市场因素,能够实现大规模电动汽车与各类电力系统主体的友好互动。首先,考虑充换电站的发展规模和调度性能建立联合运行框架;其次,提出考虑多重用户特征的可调性识别模型对电动汽车的实际可调性进行判断;进而,考虑充换电站优化调度的多重时空特征,构建不同场景下可调充换电负荷的优化调度模型;然后,基于SAC算法求解并网充换电负荷的实时调度方案;最后,以电动汽车聚合优化虚拟电厂负荷为例,验证了SAC算法应用于大规模电动汽车充换电负荷实时优化调度的经济性和高效性。     

电动汽车换电站设计模型的建立与优化

在全球能源问题越来越严峻的情况下,电动汽车的发展已经上升为国家战略,电动汽车换电设施是发展电动汽车所必须的重要配套基础设施。紧密结合唐山北郊电动汽车换电站项目建设,研究换电站系统的工程设计计算模型和方法,对影响工程规模和运行经济性的主要参数:换电需求量、换电设计能力、换电工位数量、充电工位数量等进行工程建模优化分析计算;在理论分析计算的基础上,形成换电站的充换电系统标准建设方案,为本地区后续换电站的建设提供参考依据。     

基于实时电价的电动汽车充放电优化策略和经济调度模型

实时电价为优化电动汽车(EV)充放电负荷提供了手段,从而实现经济调度。首先建立用户最优充放电策略模型:以计及EV电池退化成本的用户成本最小为目标,以满足EV行驶荷电状态和充放电荷电状态等为约束。在此基础上建立电动汽车用户实时电价响应模型,通过实时电价计算用户充电成本,使电动汽车充放电负荷与电价联动调整,并将该模型嵌入电动汽车充放电策略优化目标函数。求解过程中,用"停泊时长"确定单车一日可多次充放电的时段和行驶时段,从而在EV可充放电时长范围内优化每时段充放电负荷。最后建立经济调度模型:目标中计及机组阀点效应、约束中考虑EV充放电负荷以及机组爬坡速率等限制的多目标经济调度模型,提出一种改进模式搜索算法求解该时间耦合、非线性、非凸模型。以IEEE 39节点为例,验证了所建立模型和求解算法的有效性。     

一种基于单元数量控制的电动汽车充换电站电池充放电策略

电动汽车充换电站兼顾电力系统电源与负荷的双重属性,因而,充分挖掘其柔性、灵活的供需电特性,对其做出合理的充换电决策,具有十分重要的现实意义。传统的充放电控制策略以连续的充电电量为决策变量,然而,受电池荷电状态与数量限制,此类模型的最优解往往难以与现实对应。由此,基于日前分时电价,本文提出双向能量交换下以电池充放台数为决策变量的充换电站充放电二阶段优化控制方法,方法第一阶段以充换电站运行的最小支出费用为目标,在其基础上,第二阶段以站内满充电池数量最大为目标寻求最优充换电策略。以实际山东焦庄充换电站为例,比较了无序充电与本文有序充放电的充电负荷及费用支出,分析了本文提出的以电池充放台数为决策变量和传统方法以连续充电电量为决策变量的优化结果的区别,验证了本文提出方法的有效性。     

基于深度强化学习的电动汽车充电调度算法研究进展

对电动汽车的充电过程进行优化调度有利于电网安全稳定运行,提升道路通行效率,提高可再生能源利用率,减少用户充电时间和充电费用。深度强化学习可以有效解决电动汽车充电优化调度面临的随机性和不确定性因素的影响。首先,概述了深度强化学习的工作原理,对比分析了不同种类强化学习的特点和应用场合。然后,从静态充电调度和动态充电调度两方面综述了基于深度强化学习的电动汽车充电调度算法研究成果,分析了现有研究的不足。最后,展望了该领域未来的研究方向。     

基于自供给模式的电动汽车换电站供需均衡运营策略

以换电模式为电动汽车(EV)提供能源补给是促进EV行业发展的重要保障。为了评估EV换电站的运营模式、提高EV换电站的运营效益,提出了一种基于自供给模式的EV换电站供需均衡运营策略。针对未来可行的统一化电池规格和换电站自供给模式,EV既可作为电池消费者,又可作为电池服务提供者,通过设计换电站的动态奖励机制,以吸引EV用户充当电池服务提供者辅助换电站提供换电服务,并基于带约束的马尔可夫决策框架对系统的随机优化问题进行建模。算例结果表明所提策略能使换电站自适应地选择给予电池服务提供者的奖励,从而在满足换电站服务质量水平约束的条件下最大化换电站的运营效益。     

基于GA-PSO的电动汽车换电站时空双层充电优化策略

针对电动汽车(Electric Vehicle, EV)用户换电体验不佳、换电站备用电池组空闲、充电成本过高及配电网负荷特性恶化的问题,建立了兼顾EV用户、换电站和电网公司三方利益的时空双层充电优化模型。该模型采用双层时空解耦结构,上层模型以满足EV用户个性化需求为目标,重点解决空间尺度上换电站的选择问题。下层模型在时间尺度上采用一种两阶段优化策略,第一阶段以充电成本最小为目标重点关注电池组充电方案的制定问题,第二阶段虑及电网激励以配电网负荷波动最小和峰谷差最小为目标重点关注充电方案的优化问题。最后,采用Monte Carlo法模拟EV用户的换电需求,采用GA-PSO(遗传-粒子群算法)对提出的时空双层优化模型进行迭代求解。以某典型城区为例,仿真验证了所提模型与方法的正确性。     

电力现货市场环境下电动汽车充换电站的优化调控策略

在构建新型电力系统的战略目标下,电力现货市场不断对电动汽车充换电站等需求侧资源提出新的需求与要求。基于南方电力现货市场系列试点规则,考虑现货电能量、调频辅助服务、多阶段需求响应等交易品种,建立了电动汽车充换电站的调控模型,设计了日前-日内-实时多阶段优化调控策略。日前阶段针对换电需求、调频调用电量和各交易品种价格的不确定性构建鲁棒优化问题,并采用二阶锥规划算法进行求解;日内阶段构建基于模型预测控制的滚动优化环节,实现对需求响应日内邀约的有效响应,同时改善日前调控计划的保守性;实时阶段以调控成本最低为目标,考虑需求响应实时邀约和电价波动,求解电池功率分配策略。仿真算例表明,所提策略可充分发挥充换电站的调节潜力,提升其经济效益。     

考虑库存电池的光储换电站优化充电策略

库存电池数量对电动汽车换电站的运行有重要的影响,但已有针对换电模式的研究忽略了这一因素,导致优化结果的可行性难以得到保证。为此,提出了将库存电池纳入光储换电站模型的优化充电策略,对库存电池数量进行规划并研究基于库存电池的优化运行问题。首先,建立光储换电站的数学模型;然后,将库存电池按照调度周期初始状态分为库存耗尽电池(DB)、满容量电池(FB),结合二者与换电行为之间的时间耦合性,提出基于库存电池充换电约束的充电模型;最后,在总成本中计入充电成本和库存电池购置成本,建立优化充电策略的混合整数线性规划模型。算例结果表明：库存DB数量的递增会减少充电策略对换电时间的依赖性并降低所需库存FB数量的最小值,但追求充电成本最小化会导致库存电池的成本过高;基于模型所得最优库存电池数量在充分利用分时电价的基础上控制了电池数量,同时实现了储能的最大化利用。     

基于模块分割式电池的换电站充电策略优化

换电模式因具有方便统一管理和利于快捷出行的特点,成为电动汽车不可或缺的一种能源供给模式,充分发挥换电模式的优势进行有序充电对换电站的发展具有重要的意义。在采用K最邻近算法对考虑变量间存在耦合关系的出行数据进行拟合的基础上,建立以电池间的状态转移关系为主要约束条件,以换电站的运营净利润为优化目标的模块分割式换电站有序充电模型,最后采用CPLEX求解器对该混合整数规划问题进行求解,并结合不同的电价策略加以分析。算例结果表明,在不同的电价策略下,相较于整车式换电站,模块分割式换电站在提高运营净利润方面具有明显的优势,且合理的电价策略能更加充分地发挥换电站的削峰填谷作用。     

计及天然气管网压力能消纳的电动汽车换电池集中充电-配送策略

针对城市天然气管网压力能利用率低以及“集中充电,统一配送”模式下的换电池调度问题,提出考虑天然气管网压力能发电的换电池集中充电-配送优化策略。采用?分析法构建了天然气压力能发电模型,结合电池放电深度和充放电区间对电池寿命的影响,设计了分组类别下的配送车和换电池调度策略。考虑配送车行驶时的电能转换效率和受到的空气阻力、滚动阻力等物理因素,建立了配送车非线性能耗模型。在此基础上,计及软时间窗、配送车载重和续航里程等约束,以运输成本和时间惩罚成本最低为目标进行优化调度。算例分析表明：所提策略对城市天然气管网压力能的消纳水平高,实现了天然气压力能回收利用与换电池调度的有机结合,为天然气压力能在电动汽车换电模式下的高效消纳提供了参考。     

基于分层强化学习的电动汽车充电引导方法

为了有效解决电动汽车充电目的地优化和充电路径规划问题,以及充电引导的在线实时决策问题,建立了考虑多种不确定因素的电动汽车充电引导双层优化模型,提出了一种基于分层增强深度Q网络强化学习(HEDQN)的电动汽车充电引导方法。所提HEDQN算法采用基于Huber损失函数的双竞争型深度Q网络算法,并包含2层增强深度Q网络(eDQN)算法。上层eDQN用于对电动汽车充电目的地的优化;在此基础上,下层eDQN用于对电动汽车充电路径的实时优化。最后,在某城市交通网络中对所提HEDQN算法进行仿真验证,仿真结果表明相比基于Dijkstra最短路径的就近推荐算法、单层深度Q网络强化学习算法和传统的分层深度Q网络强化学习算法,所提HEDQN算法能够有效降低电动汽车充电费用,实现电动汽车在线实时的充电引导。此外还验证了所提HEDQN算法在仿真环境变化后的适应性。     

基于马尔可夫决策过程的电动汽车充电站能量管理策略

电动汽车充电站作为并网分布式储能装置,是实现电动汽车与未来能源互联网深度融合的重要组成部分。考虑分时电价和电动汽车用户行为的不确定性,提出了以电动汽车充电站日运营成本最小化为目标的能量管理策略。为了减少对先验信息的依赖和约束,将优化问题建模为一个新的有限回合马尔可夫决策过程模型;基于传统成本模型提出奖惩回报函数,通过主动学习调度决策,得到每辆电动汽车的实时充放电行为;针对模型的高维状态空间问题,设计相应的状态空间和动作空间,采用一种卷积神经网络结构结合强化学习的方法,通过从原始数据观测中提取高质量的经验,获取最优调度策略以达到优化目标。仿真结果表明,与传统的充电策略相比,所提策略可以有效地降低充电站的日运营成本,保护电动汽车的电池,同时能满足电动汽车用户的充电需求。