基于Transformer的深度学习模型用于可变数量电动汽车的联合路径规划与调度

可再生能源在现代电力系统中的日益普及，因其间歇性和不确定性输出而带来了重大的运行挑战。近年来，移动储能系统已成为缓解这些挑战的流行灵活资源。与固定式储能系统相比，移动储能系统提供了额外的空间灵活性，能够通过交通网络实现具有成本效益的能源输送。然而，移动储能系统的广泛部署常常受到高投资成本的阻碍，这促使研究人员探索利用更容易获得的替代方案，例如将电动汽车作为移动储能单元。因此，我们在本文中探讨了这一机会，提出了一个基于MIP的日前电动汽车联合路径规划与调度问题。然而，在实际环境中求解该问题通常在计算上难以处理，因为二元变量的存在使其具有组合挑战性。因此，我们提出通过使用基于Transformer的深度学习模型剪枝解搜索空间，来简化MIP求解器对该问题的求解过程。这是通过训练模型快速预测最优二元解来实现的。此外，与许多假设问题结构固定的现有深度学习方法不同，所提出的模型旨在适应任意规模电动汽车车队的问题。这种灵活性至关重要，因为频繁的重新训练会带来显著的计算开销。我们在IEEE 33节点系统与Nguyen-Dupuis交通网络耦合的仿真中评估了该方法。