基于模型预测控制的动态公交充电调度策略优化研究——最大化本地光伏剩余电力利用

为解决公共交通电气化进程中光伏剩余电力利用率低和交通延误导致的充电机会错失问题，研究人员提出了一种基于模型预测控制（MPC）的动态充电调度方法，整合GTFS实时交通数据、智能电表与气象卫星观测数据。该研究通过30分钟间隔的滚动优化，实现了年均光伏利用率提升11.9%、电网购电减少15.6%的显著效果，为城市公交系统与可再生能源协同提供了可落地的技术方案。

　　

随着全球公共交通电气化进程加速，电动公交（Electric Bus）作为固定路线、集中调度的低碳交通工具，成为整合分布式光伏（PV）发电的理想载体。然而，光伏发电的波动性与公交运营中的交通延误，导致传统静态充电计划难以有效利用本地光伏剩余电力。日本早稻田大学团队在《eTransportation》发表的研究，通过创新性融合实时数据与优化算法，为这一难题提供了系统性解决方案。

研究团队开发了基于模型预测控制（MPC）的三层动态调度框架：首先通过Himawari-8/9气象卫星和智能电表数据构建光伏出力随机森林预测模型；其次利用GTFS实时格式的交通延误数据更新车辆状态；最后以混合整数线性规划（MILP）每30分钟滚动优化充电计划。关键技术包括最大聚合34次历史预测的鲁棒性处理、充电站1.5公里半径内的空间网格数据融合，以及考虑电池健康状态的荷电状态（SoC）弹性约束机制。

动态调度框架设计

通过定义时间槽t∈T={1,...,275}（5分钟间隔）和充电站m∈M={1,...,4}，系统以最小化未利用光伏剩余电力为目标函数，在充电器数量k_m、车辆停留标志s_n,m,t∈{0,1}等约束下，优化充电标志c_n,m,t∈{0,1}。特别设计了SoC终值约束q_n,T∈[q^init_n-αηg, q^init_n+αηg]，通过参数α∈[1,3]的自适应调整确保运营可行性。

数据驱动的性能提升

实证显示，动态调度使年均光伏利用率达87.8%，较静态计划提升11.9%。典型日分析表明，该方法能主动将充电负荷转移至正午光伏出力高峰时段（如图14所示），而气象卫星数据更新的MAE误差随预测时长缩短呈指数下降（图15）。季节性差异分析揭示，春季至早秋的增益最为显著，此时段光伏出力可覆盖单站25台充电器同时工作的需求（充电功率g=4.167kWh/5min）。

交通延误的鲁棒处理

通过GTFS实时数据中δ_n,τ-1>0的延误检测，系统动态禁用受影响时段充电标志（式18）。仿真中采用日本宇都宫地区2018-2019年实际延误分布（图7），证明该方法在高峰时段15-20分钟延误下仍能维持90%以上的计划执行率。

该研究开创性地实现了交通与能源系统的数字孪生协同，其提出的max(f^m,h+η(d^m_τ-η))预测聚合策略、以及基于500m网格的空间电力匹配方法，为智慧城市基础设施提供了普适性框架。未来研究可延伸至电池健康度均衡、V2G（Vehicle-to-Grid）双向调度等维度，进一步释放电动公交车的能源枢纽潜力。