基于机器学习的多目标模型预测控制在光伏-储能支持的电动汽车充电基础设施中的优化研究

为解决大规模电动汽车(EV)充电基础设施中光伏(PV)利用与电网冲击的冲突问题，研究人员开发了集成奇异谱分析(SSA)和轻量梯度提升机(LightGBM)的混合机器学习(ML)预测模型，结合多目标模型预测控制(MPC)框架。结果表明，该方案相比规则控制(RBC)显著降低电网峰值过载(66%)、电压不平衡因子(48%)及线路损耗(35%)，为可再生能源(REs)驱动的充电系统提供了动态优化范例。

　　

随着全球向碳中和目标迈进，电动汽车(EV)的普及成为交通领域减排的关键。然而，EV充电需求激增导致电网负荷剧增，若依赖传统化石能源供电，将抵消其零排放优势。光伏(PV)与电池储能系统(BESS)结合的充电站被视为解决方案，但PV发电的间歇性与EV充电的随机性引发两大矛盾：如何最大化利用不稳定的可再生能源(REs)，同时最小化对电网的谐波干扰、电压波动等负面影响？现有研究多采用加权求和法简化多目标优化，或依赖预测精度不足的线性模型，难以平衡动态冲突。

德国学术交流中心(DAAD)资助的REMO项目团队提出创新方案：通过机器学习(ML)增强的多目标模型预测控制(MPC)系统，管理PV-BESS支持的电网连接型大型充电站。研究首先构建混合预测模型，结合奇异谱分析(SSA)与LightGBM算法处理PV功率预测，其均方误差(MSE)较传统XGBoost降低92%。在MPC框架中引入成就标量化函数(ASF)，从四种策略（电网冲击最小化、PV利用率最大化及两种折中方案）中动态选择最优解。

关键技术包括：基于两年半真实PV数据的SSA-LightGBM预测模型、多目标MPC优化算法比较、以及基于IEEE标准的电网质量评估指标（如电压不平衡因子VUF、总需求畸变TDD）。

ML预测
通过对比深度学习(DL)、梯度提升(GB)及混合方法，证实SSA-LightGBM在PV功率预测中具有最高精度，为MPC提供可靠输入。

结果与讨论
ASF策略在仿真中表现最优：相比规则控制(RBC)，峰值负载降低66%，VUF改善48%，电流TDD减少56%，线路损耗下降35%。一周模拟验证了系统的长期稳定性。

结论与展望
该研究首次将ML预测、多目标MPC与电网质量指标系统整合，解决了REs充电基础设施的核心矛盾。未来可扩展至V2X场景，并探索其他可再生能源组合的适用性。论文发表于《Renewable Energy》，为智能充电管理提供了可复用的技术框架。