面向不确定情境下的网络约束 V2X 电动汽车动态滚动时域优化价值叠加
最优化与控制
2025-02-25 v2 机器学习
系统与控制
系统与控制
摘要
电动汽车（EV）协调通过与电网、建筑及其他 EV 互动，可通过车到万物（V2X）提供显著效益。本工作旨在开发包括车到建筑（V2B）、车到网（V2G）及能源交易的 V2X 价值叠加框架，以在保持配电电压的前提下最大化住宅社区的经济效益，同时量化与建筑负荷、可再生能源及 EV 到达相关预测误差的影响。本工作采用动态滚动时域优化（RHO）方法，以利用多个收入来源并最大化 EV 协调的潜能。为应对能源不确定性，包括当地建筑负荷、局部光伏（PV）发电及 EV 到达，本工作开发了名为 Gated Recurrent Units-Encoder-Temporal Fusion Decoder（GRU-EN-TFD）的基于 Transformer 的预测模型。模拟结果采用来自澳大利亚国家电力市场、以及美国新英格兰和纽约的独立系统运营商的真实数据，表明 V2X 价值叠加可显著降低能源成本。所提出的 GRU-EN-TFD 模型优于基准预测模型。EV 到达的不确定性对价值叠加性能影响更大，凸显其准确预测的重要性。本工作为动态交互中的住宅社区提供了新见解，解锁了 EV 电池的全部潜能。
引用
@article{arxiv.2502.09290,
title = {Dynamic Rolling Horizon Optimization for Network-Constrained V2X Value Stacking of Electric Vehicles Under Uncertainties},
author = {Canchen Jiang and Ariel Liebman and Bo Jie and Hao Wang},
journal= {arXiv preprint arXiv:2502.09290},
year = {2025}
}
备注
20 pages, Renewable Energy