摘要
使用电动汽车（EV）进行电网支持需要基于有限的在线信息实现可靠的灵活性估计和有效的电压控制。我们提出了一种行为信息辅助的交互多模型估计器（BIMM）和一种可用性感知的电压控制策略。该估计器将预测的行为模式概率与站级测量数据相结合，以估计总的向上和向下能量灵活性及其不确定性。该控制器将行为推导的可用性先验信息与在线测量数据相结合，以更新站级无功功率限值并分配电压支撑。在配对仿真中，相对于同库无池化参考基线，显式的行为先验池化在IID和OOD条件下分别将能量的归一化连续排序概率分数（nCRPS）降低了[round-mode=figures,round-precision=3]100*D2-registered-main-iid-bimm-lambda0-vs-bimm-3f8dff6a-normalizedenergymixturecrps-f0d96338-relativereduction%和[round-mode=figures,round-precision=3]100*D2-registered-main-ood-bimm-lambda0-vs-bimm-1252503c-normalizedenergymixturecrps-f0d96338-relativereduction%。与标准交互多模型估计器（Standard-IMM）相比，在批量充电场景S1和S2中，能量的归一化均方根误差（NRMSE）分别降低了[round-mode=places,round-precision=2]100*(1-D2-supplement-main-s1-standard-imm-vs-bimm-ad820437-energynrmse-ba39ba0e-comparisonmean/D2-supplement-main-s1-standard-imm-vs-bimm-ad820437-energynrmse-ba39ba0e-referencemean)%和[round-mode=places,round-precision=2]100*(1-D2-supplement-main-s2-standard-imm-vs-bimm-df6d7572-energynrmse-ba39ba0e-comparisonmean/D2-supplement-main-s2-standard-imm-vs-bimm-df6d7572-energynrmse-ba39ba0e-referencemean)%；在普通IID/OOD运行中，能量损失高于Standard-IMM。在普通控制场景中，平均操作时间请求超出率低于仅快速测量电压控制（FastOnly）。这些结果展示了利用聚合行为信息进行概率灵活性估计和可用性感知的无功功率调度。
