当光伏容量高而电池容量低时，算法控制改善住宅建筑能源与电动汽车管理
系统与控制
2025-05-28 v1 人工智能
机器学习
系统与控制
摘要
在以电动汽车(EV)、可再生能源和电池储能为特征的能源转型中，产消者家庭的高效能源管理是缓解电网压力的关键。然而，目前尚不清楚家庭如何优化产消者EV充电。在此，我们研究了来自德语区国家90个固定电价家庭的真实数据，以探究深度强化学习(DRL)和其他控制方法（基于规则、模型预测控制）在管理家庭能源管理(HEM)的动态不确定环境及优化家庭充电模式方面的潜力。DRL智能体能够有效地将EV和电池储能的充电与光伏(PV)盈余相对齐。我们发现，频繁的EV充电交易、较早的EV接入时间以及PV盈余会增加优化潜力。对9个家庭的详细分析（1小时分辨率，1年）表明，高电池容量有助于自我优化；在这种情况下，进一步的算法控制价值不大。在电池容量相对较低的情况下，采用DRL的算法控制可显著改善能源管理并节省成本。我们的合成家庭仿真进一步证实了这一结果。我们得出结论，具有优化潜力的产消者家庭将从DRL中获益，从而也将使整个电力系统及其脱碳进程受益。
引用
@article{arxiv.2505.20377,
title = {Algorithmic Control Improves Residential Building Energy and EV Management when PV Capacity is High but Battery Capacity is Low},
author = {Lennart Ullner and Alona Zharova and Felix Creutzig},
journal= {arXiv preprint arXiv:2505.20377},
year = {2025}
}