基于卷积神经网络和时间柯尔莫哥洛夫-阿诺德网络组合的锂离子电池电量估计

《Journal of Endodontics》：State of charge estimation of lithium-ion batteries based on a combination of Convolutional Neural Networks and Temporal Kolmogorov–Arnold Networks

1.中文摘要：本研究提出一种综合框架，用于EV聚合器作为能量套利实体，通过两阶段优化（MILP和GD-SQP）最大化车主收益和电网负荷因子（LF），结合空间行为分析和机器学习预测（FTA和EBTA）。在澳大利亚昆士兰和IEEE电网模型中验证，H-EV优化使LF提升4.96%，而HW-EV在39-bus系统提升6.2%。发现过度参与会降低LF，需平衡经济与电网目标。

　　### 电动汽车聚合商在能源套利中的协调框架

随着电动汽车（EV）数量的迅速增长，其在能源管理和电力资源优化方面展现出巨大的潜力。本文提出了一种全面的框架，使电动汽车聚合商能够以能源套利实体的方式运行，旨在为电动汽车所有者提供稳定的收入流，同时通过最大化系统负载因子（LF）来减少电网压力。该框架结合了空间电动汽车行为分析、基于机器学习的电力需求和价格预测，以及一个两阶段的优化过程。第一阶段利用混合整数线性规划（MILP）来优化充电和放电计划，从而最大化电动汽车所有者的收益。第二阶段则采用梯度下降-序列二次规划（GD-SQP）来优化参与的电动汽车数量，以提升电网的LF。该模型基于澳大利亚昆士兰州的现实数据，包括来自交通调查的电动汽车移动性数据和国家电力市场（NEM）的5分钟分辨率历史数据。预测性能表明，精细树算法（FTA）在电力需求预测中最为有效，而集成袋装树算法（EBTA）在价格预测方面表现最佳。在IEEE 9节点和39节点系统上的模拟结果验证了该框架的有效性。在9节点系统中，H-EV最优场景下的LF提高了高达6.08%。相比之下，HW-EV场景由于收益优化调度与系统目标的不一致，导致LF下降。然而，在39节点系统中，HW-EV最优场景能够实现约6.2%的LF提升，突显了电网拓扑结构和空间灵活性对结果的影响。

### 电动汽车的双重效益与电网优化

电动汽车的参与不仅对所有者有益，还能为电网带来显著的改进。研究指出，尽管某些电动汽车的连接时间较长，但较长的连接时间并不总是意味着更好的电网表现，因为两个阶段的优化过程中存在内在的权衡。因此，电动汽车的参与必须被仔细管理，以在经济和技术创新之间取得平衡。研究结果表明，通过数据驱动的电动汽车协调，结合预测和双重优化，可以为未来的智能能源系统释放大量好处。这不仅有助于电动汽车所有者通过能源套利获得利润，还能支持电网实现更平衡和高效的运行。

### 电动汽车的行为分类与优化策略

为了更好地理解电动汽车的充电和放电行为，研究将电动汽车分为两类：仅在家庭连接的H-EV和同时在家庭和工作地点连接的HW-EV。H-EV通常在傍晚至清晨期间连接电网，而HW-EV则在白天和晚上都可能参与。这种分类有助于优化策略的制定，确保电动汽车的参与能够满足不同场景下的需求。研究还强调了在优化过程中考虑电池退化成本和电价不确定性的重要性，这些因素对总成本和充电模式有显著影响。此外，动态概率预测和数据降维技术被用来生成稳健的调度方案，以实现高峰负荷削减和成本最小化。

### 预测模型与优化方法

研究中使用了多种机器学习算法进行电力需求和价格的预测，包括线性回归、决策树、支持向量机、高斯过程回归、集成树和神经网络。其中，FTA在需求预测中表现出色，而EBTA在价格预测方面最为有效。这些算法能够捕捉电力需求和价格之间的非线性关系，并提供有价值的见解，以指导优化决策。预测模型的准确性对于最大化收益至关重要，因为它们决定了最佳的充电和放电时间。此外，研究还强调了在优化过程中考虑电动汽车的空间和时间特性的重要性，以确保实际可行性。

### 优化过程与电网验证

在优化过程中，研究采用了MILP和GD-SQP两种方法。MILP用于优化充电和放电计划，以最大化收益，而GD-SQP用于优化参与的电动汽车数量，以提升电网的LF。研究通过IEEE 9节点和39节点系统进行验证，确保框架的可扩展性和鲁棒性。在9节点系统中，H-EV最优场景下的LF提高了4.96%，而H-EV过度优化场景进一步提升了至6.08%。相比之下，HW-EV最优和过度优化场景导致LF下降，这表明在优化过程中需要平衡经济和电网目标。研究还指出，通过准动态负荷流模拟，可以验证优化结果是否符合实际电网约束，如线路损耗、电压水平和功率流动限制。

### 实验结果与讨论

实验结果显示，电动汽车的参与显著改善了电网的LF和线路损耗。在H-EV最优场景中，线路损耗减少了约4.96%，而在H-EV过度优化场景中，损耗进一步减少至6.08%。然而，HW-EV场景的优化效果并不理想，因为收益优化调度与电网目标之间存在冲突。此外，研究还发现，随着电动汽车连接时间的延长，电网的LF可能不会相应提高，这说明在优化过程中需要考虑多个因素。通过在IEEE 39节点系统上的实验，研究进一步验证了框架的有效性，并发现HW-EV在更大规模的电网中表现更好，因为其空间灵活性和多样化的负荷分布。这些结果表明，电动汽车的参与需要根据电网的拓扑结构和规模进行调整，以确保最优的电网性能。

### 未来研究方向

研究还提出了未来的研究方向，包括探索实时自适应控制机制，以处理电动汽车可用性、负荷需求和电价的短期波动。此外，未来的工作可以考虑更详细的电网约束，如电压限制、分支容量和无功功率支持，以确保套利决策不会违反电网的运行限制。研究还建议开发统一的多目标优化模型，同时考虑所有者收益、LF、损耗、电压水平和其他电网稳定性指标，以提高协调性和减少目标之间的权衡。最后，研究指出，通过数据驱动的电动汽车协调，可以为未来的智能能源系统提供重要的支持，同时促进电动汽车的广泛采用。