基于协作DDPG智能体的配合动态电动车充电定价以实现电力配电网负荷平衡

从内燃机车（ICEV）向电动车（EV）的转变正在全球范围内得到推广，以应对依赖化石燃料所致的环境问题。然而，已证实当电动车大规模进入市场时，其充电会使电网失去稳定，尤其是那些最初未为处理电动车充电负荷而构建的电网。本文提出一种动态EV充电定价策略，旨在实现以下三个目标：配电网层面的负荷峰值削减、谷值填补以及配电网之间的负荷平衡。基于温度、湿度、风速、EV充电价格以及不同时间、不同地区车辆分布等历史环境变量，我们首先预测配电网负荷需求，然后采用深度强化学习方法确定最优的动态EV充电价格。虽然大多数研究致力于实现负荷峰值削减和谷值填补以稳定电网，但我们的工作进一步探索了相邻配电网之间的负荷平衡。我们比较了深度确定性策略梯度（DDPG）、软演员-评论家（SAC）和近端策略优化（PPO）算法的性能。最终选择最佳算法用于动态EV定价。仿真结果表明，该策略在配电网层面提高了电网的利用率，推动了更大规模上的最优电网使用。