基于输入凸神经网络的以用户为中心的车网优化
系统与控制
2025-05-30 v1 机器学习
系统与控制
摘要
我们提出了一种基于多目标优化的数据驱动、以用户为中心的车网（V2G）方法，旨在根据电动汽车用户偏好平衡电池退化和车网收益。鉴于缺乏准确且通用的电池退化模型，我们利用输入凸神经网络（ICNN）开发了一个基于实验数据训练的数据驱动电池退化模型。这种方法使我们的模型能够捕捉电池温度和时间的非凸依赖关系，同时保持对充电速率的凸性。这种部分凸性属性确保了我们方法的第二阶段保持计算效率。在第二阶段，我们将数据驱动的退化模型集成到多目标优化框架中，为每辆电动汽车生成最优的智能充电方案。该方案有效平衡了来自车网参与的财政收益与电池退化之间的权衡，由反映用户对电池健康优先级的超参数控制。数值仿真显示，ICNN模型在预测未见数据电池退化方面具有高精度。最后，我们展示了基于用户偏好的数据驱动V2G收益与电池健康损失之间的权衡曲线，并展示了在真实场景下的智能充电策略。
引用
@article{arxiv.2505.11047,
title = {User-centric Vehicle-to-Grid Optimization with an Input Convex Neural Network-based Battery Degradation Model},
author = {Arghya Mallick and Georgios Pantazis and Mohammad Khosravi and Peyman Mohajerin Esfahani and Sergio Grammatico},
journal= {arXiv preprint arXiv:2505.11047},
year = {2025}
}