数据驱动的车到网（V2G）与网到车（G2V）能量管理：基于深度学习的方法

《International Transactions on Electrical Energy Systems》：Deep Learning for Data-Driven Vehicle-To-Grid and Grid-To-Vehicle Energy Management

　　

电动汽车（EV）已成为一种可持续的替代方案，具有低运行成本和几乎为零的CO₂排放，代表了满足现代交通需求的更绿色解决方案。配备大容量电池组的EV不仅是移动负荷；它们还可以在双向车到网（V2G）和网到车（G2V）互动中充当能源。该研究提出了一种基于真实世界EV充电会话和电网数据的数据驱动方法，通过将EV充电需求与能源生产相匹配来优化双向功率流。该研究对EV车队与电网之间的动态互动进行了建模、分析和优化。利用高分辨率时间数据和深度学习技术分析了EV充电和放电的影响。高分辨率数据用于模拟真实的充电和放电行为，包括荷电状态（SOC）动力学和电池约束。此外，所提出的方法生成了一个合成但可靠的V2G功率支持曲线，并将其纳入电网。先进的深度学习技术预测和管理利用EV进行的负荷调整，确保供需平衡，同时满足EV用户的需求。该框架通过将年峰值需求降低8.6%、将峰均比从1.42降至1.33、将负荷方差降低40.4%以及将需求-发电失配降低43.3%，展示了显著改进。K-means聚类识别出五种不同的EV充电行为，而电池老化分析表明退化成本较低（V2G吞吐量约为0.043美元/kWh），并带来正的净车主收益；增强型深度神经网络实现了高预测精度（MAE=40.7 MW，RMSE=49.0 MW，R²=0.9943），并具有校准良好的95%不确定性区间（98.7%经验覆盖率）。此外，该研究验证了数据驱动的智能能源管理策略（如削峰填谷）在EV中的应用，以增强电网性能、稳定性和可靠性。

随着全球脱碳目标的推进，交通电气化已成为推广电动汽车（EV）的关键战略。根据欧盟报告，交通部门约占28%的二氧化碳（CO₂）排放，是气候变化的主要贡献者。2020年清洁能源部长级会议（CEM）发起EV30@30运动，目标到2030年使EV占全球市场份额的30%。国际能源署（IEA）报告称2024年全球EV销量增长超25%。EV不仅作为交通工具，其大容量电池还可用作移动储能，通过车到网（V2G）和网到车（G2V）双向能量交换为电网提供辅助服务。然而，大规模EV接入也会导致电压波动、电能质量下降和网络安全风险。现有文献在系统优化、可再生能源整合和电网韧性方面取得进展，但大多针对单一目标，如削峰、调频或电池退化成本；部分研究依赖合成数据或小时级分辨率，难以捕捉真实充电行为；多数工作将V2G和G2V分开处理，缺乏同时考虑实时电网状态、用户行为、电池退化经济和预测不确定性的数据驱动框架。因此，需要一种实时数据驱动的方法，优化电网稳定性、负荷曲线整形、能量管理和成本效率。

研究人员提出了一种基于真实世界数据的V2G/G2V双向功率流管理框架。该框架利用罗马尼亚电力网络数据（提供电网侧负荷和发电）和美国国家可再生能源实验室（NREL）工作场所充电数据（提供EV侧真实充电会话），通过深度神经网络（DNN）预测和优化调整后的负荷。研究覆盖2020年，采用5分钟时间分辨率。结果显示，该框架使年峰值需求降低8.6%，峰均比从1.42降至1.33，负荷方差降低40.4%，需求-发电失配降低43.3%。K-means聚类识别出五种EV充电行为，电池退化成本约为0.043美元/kWh，且DNN预测精度高（MAE=40.7 MW，RMSE=49.0 MW，R²=0.9943）。该研究验证了数据驱动智能能量管理策略（如削峰填谷）可增强电网性能、稳定性和可靠性。

关键方法：研究人员使用了两个公开真实世界数据集：罗马尼亚电力网络数据集（2019-2025，提供负荷、发电及电源构成）和NREL工作场所充电数据集（2016-2021，包含14081条有效会话，来自227位驾驶者和14种EV模型）。将NREL站点集群以1000倍缩放因子叠加至罗马尼亚电网，构建2020年测试场景。主要技术包括：采用Pandas/NumPy进行数据预处理和特征工程；构建全连接DNN（激活函数为LeakyReLU，损失函数为Huber，优化器为Adam，并采用L1-L2正则化和早停）；利用CVXPY求解凸二次规划优化问题（包含削峰和填谷目标）；采用蒙特卡洛丢弃（MC dropout）进行概率预测（50次随机前向传播）；使用K-means聚类（轮廓系数选k=5）识别充电行为；采用半经验循环老化模型计算单位吞吐量退化成本c_deg=C_batt/(2·N_cyc·DoD·η_rt)。

研究结果包括以下方面：

4.3.1 EV负荷与月度需求整合：将EV充电负荷叠加到总需求后，需求显著增加，表明EV充电对系统负荷有直接影响。

4.3.2 G2V能量管理：通过对比未管理和已管理场景，能量管理将负荷曲线重塑以更好地匹配发电，减少失配区域。

4.3.3 G2V运行下的能量管理：优化后负荷曲线更平坦，峰均比降低，负荷从高需求时段转移至低需求时段，实现供需平衡。

4.3.4 V2G潜力：基于NREL会话数据，利用充电结束至预计离开的时间窗口估计可用放电功率，不同车型的电池容量和V2G输出存在差异，且夏季可用功率最大，冬季最小。

4.3.5 双向功率流整合：将EV充电负荷与基线需求整合，V2G放电与系统总发电整合，使功率可在两个方向流动。

4.3.6 双向功率流优化：优化后需求曲线实现削峰填谷，频率稳定在50±0.2 Hz范围内；DNN预测负荷与实际高度重合，误差分布零中心，学习曲线显示无过拟合。

4.3.7 EV充电行为K-means聚类：对14081个有效会话进行聚类，得到5个簇；其中簇1和簇2合计占51.5%，停留时间7.7-8.6小时，充电仅占用部分时间，构成优化调度可用的主要灵活性资源。

4.3.8 量化峰谷调节：全年优化使年峰值需求降低8.6%，最低负荷提升3.3%，峰均比从1.42降至1.33，负荷方差降低40.4%，累计需求-发电失配降低43.3%（从5110 GWh降至2899 GWh）。

4.3.9 电池退化经济分析：半经验模型估计退化成本约0.043美元/kWh；典型每日V2G参与者（中位日放电8.2 kWh）年容量衰减约0.57%；在0.10美元/kWh补偿下，车主净收益约0.057美元/kWh，盈亏平衡补偿等于退化成本。

4.3.10 深度学习预测与不确定性量化：DNN在时间顺序保持的测试集上达到MAE=40.7 MW，RMSE=49.0 MW，R²=0.9943；MC dropout得到的95%预测区间经验覆盖率为98.7%，平均区间宽度167.5 MW，约为年系统峰值需求的2%。

讨论部分：研究人员将所提模型与基于深度Q学习的调度器进行了基准比较，指出后者依赖概率合成的用户行为数据、小时级时间步长和恒定充放电功率假设；而本框架使用真实NREL会话数据、5分钟分辨率和实际电池容量，能够更真实地重构EV负荷曲线。框架产生三个操作输出：5分钟调整负荷预测、可行的G2V/V2G功率调度和预测区间，分别适用于车队运营商、公用事业和充电基础设施运营商。用户合规性分析表明，调度仅改变充电时间而不改变总充电量，且灵活性主要来自51.5%的长停留时间会话；部分参与时性能平滑退化。针对数据隐私和网络安全，框架可兼容联邦学习、差分隐私、安全边缘-云架构和加密分布式学习；结构上硬物理约束限制了虚假数据注入的影响，MC dropout区间可作为异常信号。

研究结论（翻译）：本研究提出了一种数据驱动的V2G和G2V框架，用于管理双向功率流，利用真实世界的EV充电会话和电网数据。以5分钟分辨率生成EV放电数据，并在严格SOC和可用性约束下计算V2G功率。训练DNN模型根据输入数据（包括发电、充电和V2G功率）调整系统负荷。定量结果包括：在2020年协调G2V/V2G管理使年峰值需求降低8.6%（日均峰值降低9.0%），受±14/16%负荷灵活性和工作场所插电可用性约束；日均谷填充8.6%，年最低负荷提升3.3%；峰均比从1.42降至1.33，负荷方差降低40.4%，累计需求-发电失配降低43.3%（从5110降至2899 GWh）。DNN在时间顺序保持集上达到MAE=40.7 MW，RMSE=49.0 MW，R²=0.9943，MC dropout 95%预测区间经验覆盖率为98.7%。电池退化分析显示，在30%–90% SOC窗口内，典型每日参与者每年容量衰减约0.57%，退化成本约0.043美元/kWh，低于0.10美元/kWh的峰值补偿，净车主收益约0.057美元/kWh。这些结果表明，智能协调的EV可作为分布式能源资源，而非仅仅是额外负荷。