基于多智能体强化学习的有限网络可见性下电动汽车虚拟电厂安全分散运行
系统与控制
2026-04-07 v1 人工智能
系统与控制
最优化与控制
摘要
随着电力系统向净零目标迈进，表后可再生能源正推动分布式能源资源（DER）快速增长。虚拟电厂（VPP）越来越多地协调这些资源以支持配电网络（PDN）运行，而电动汽车充电站（EVCS）因其对本地电压的显著影响，正成为一项关键资产。然而，在实践中，VPP 必须在仅能部分观测 PDN 状态的情况下做出运行决策，依赖配电系统运营商共享的有限聚合信息。本文提出一种安全增强型 VPP 框架，用于在此类现实信息约束下协调多个 EVCS，以确保电压安全并维持经济运行。我们开发了 Transformer 辅助的拉格朗日多智能体近端策略优化（TL-MAPPO），其中 EVCS 智能体通过集中式训练学习分散式充电策略，并利用拉格朗日正则化来强制执行电压和需求满足约束。部署在每个 EVCS 智能体上的基于 Transformer 的嵌入层可捕捉电价、负荷和充电需求之间的时间相关性，以提高决策质量。在一个现实的 33 节点 PDN 上的实验表明，与代表性的多智能体深度强化学习基线相比，所提出的框架将电压违规减少了约 45%，运行成本降低了约 10%，凸显了其在实际 VPP 部署中的潜力。
引用
@article{arxiv.2604.03278,
title = {Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning},
author = {Chenghao Huang and Jiarong Fan and Weiqing Wang and Hao Wang},
journal= {arXiv preprint arXiv:2604.03278},
year = {2026}
}
备注
The 2026 IEEE Power & Energy Society General Meeting, 7 pages including appendix