基于混合安全深度强化学习的电动汽车车队充电管理方法，考虑了热负荷对电力变压器的影响及其老化过程

《Journal of Modern Power Systems and Clean Energy》：Hybrid Safe Deep Reinforcement Learning Based Electric Vehicle Fleet Charging Management Considering Thermal Loading and Aging of Power Transformer

　　

摘要：

随着对电动汽车（EV）需求的不断增长，现有的电网基础设施面临着巨大挑战。尤其是高峰负荷的增加会加剧配电变压器的发热问题，从而缩短其使用寿命。因此，需要采用高效的电动汽车车队充电管理（FCM）方法，在确保电力变压器安全运行的同时最大化能源供应，包括控制其热负荷。然而，多种不确定性因素威胁着控制性能，例如电动汽车信息的缺失和/或不可观测状态。此外，物理热负荷模型的复杂性也使得将这些因素纳入传统基于优化的控制策略变得十分困难。本文提出了一种基于混合安全深度强化学习（Hybrid Safe Deep Reinforcement Learning, SDRL）的FCM方法，该方法结合了数据驱动控制和模型驱动控制，同时考虑了电力变压器的热负荷和老化问题。所提出的混合SDRL FCM方法利用了从电动汽车车队和变压器获取的可用信息，并在真实世界的电动汽车充电数据上进行了测试。测试结果表明，与纯数据驱动方法相比，该方法可以为电动汽车车队提供93%的能源供应，同时确保电力变压器不会出现功率和热过载，并将变压器老化程度降低75%。