使用指数凸优化算法的电动汽车充电调度新方法

《Egyptian Informatics Journal》：A novel charging scheduling of electric vehicle using exponential convex optimization algorithm

　　

加速的电动汽车(EV)采用率加剧了充电站的拥堵，导致等待时间延长、充电站利用率低下以及不必要的出行绕路。因此，优化充电站调度以提升用户体验和站点性能至关重要。本研究处理将EV充电站分配至道路系统的问题，其任务是在站点容量条件下减少平均等待时间、行驶距离和部分能量损失。为求解该调度问题，研究人员提出了一种基于种群的元启发式算法，称为指数凸优化算法(ECOA)。为平滑短期波动（该波动使解更新机制更不稳定），ECOA还将指数加权移动平均(EWMA)集成到凸优化算法(COA)中。EWMA被用作一种平滑轨迹级技术，而非学习或预测模型。与强化学习所需的方法不同，所提方法不包含任何训练信息、奖励建模或策略训练，可实时部署。使用不同交通负载的仿真结果清楚地表明，ECOA在最小化等待时间和行驶距离方面始终优于基线调度启发式算法，且不牺牲能量限制的可行性。这些发现表明，ECOA是一种在动态环境中解决EV充电站调度问题的有效且计算高效的方法。

论文解读文章

**研究背景与问题**

交通行业是全球能源消耗的主要驱动力。近年来，电动汽车(EV)因其低运营成本和能源可持续性承诺而受到关注。然而，EV的广泛采用加剧了充电站(CS)的拥堵，导致等待时间延长、充电站利用率低下以及不必要的出行绕路。此外，无序充电会导致电网峰值需求上升、谐波失真、电压波动和功率损耗等问题。现有调度方法包括启发式和元启发式算法（如遗传算法、粒子群优化等），它们能在非线性目标和约束下处理复杂调度问题，但多数仅依赖瞬时系统状态，在快速变化的交通和充电需求下易产生不稳定决策。强化学习(RL)方法虽能学习自适应策略，但需要大量训练数据、谨慎的奖励函数设计和较高的计算开销，且收敛缓慢。因此，亟需一种稳定、低复杂度且可实时部署的调度方法。

**研究人员开展的研究与结论**

研究人员提出了一种基于指数凸优化算法(ECOA)的新型EV充电站调度方法。ECOA是一种基于种群的元启发式算法，通过将指数加权移动平均(EWMA)集成到凸优化算法(COA)的解更新机制中，平滑短期变化，从而在动态交通和需求条件下提高调度稳定性。与仅响应当前系统状态的COA不同，ECOA利用EWMA考虑短期历史趋势，提供更少波动的决策更新和更好的调度可预测性。该方法将EV充电站分配建模为多目标优化问题，同时考虑行驶距离、平均等待时间、剩余能量使用和站拥堵。仿真实验在不同交通负载下进行，结果显示ECOA在最小化等待时间和行驶距离方面始终优于基线调度启发式算法，且不牺牲能量限制的可行性。研究表明，ECOA是一种有效且计算高效的问题求解器，适用于动态环境中的EV充电站调度。该论文发表在《Egyptian Informatics Journal》。

**主要关键技术方法**

研究人员采用的关键技术方法包括：1) 指数凸优化算法(ECOA)，这是一种基于种群的元启发式算法，将凸优化算法(COA)与指数加权移动平均(EWMA)结合，通过EWMA平滑短期变化（如等待时间、充电需求和站拥堵），使解更新机制更稳定；2) EWMA作为轨迹级平滑技术，直接影响解更新过程，而非后处理滤波器；3) 单适应度函数优化框架，同时优化行驶距离、平均等待时间、剩余能量和站拥堵。样本来源为仿真环境，模拟城市EV充电布局，涉及200辆EV，电池容量30kWh，充电功率7kW，效率90%，初始荷电状态(SOC)随机生成于20-80%范围，并采用时间变化电价和负载需求。

**研究结果**

**4.1 仿真设置**：仿真环境模拟城市EV充电布局，采用离散时间仿真框架，系统状态随EV到达行为、充电需求和站点可用性变化。通过设置不同交通负载和车辆密度，评估ECOA调度算法性能。

**4.2 系统配置与输入数据**：仿真使用分时电价、充电功率容量和24小时内的变化负载需求。EV充电需求基于随机到达和功率需求模式生成。关键参数包括每日200辆充电车辆、电池容量30kWh、额定充电功率7kW、充电效率90%，初始SOC随机分布于20-40%、40-60%和60-80%范围。

**4.3 仿真结果**：仿真在道路网络基础上进行，包含多个分散的充电站和动态EV系统。ECOA根据行驶距离、估计等待时间、剩余能量消耗和站拥堵进行EV到站分配。结果显示，ECOA在等待时间、行驶距离和服务车辆数上均优于基线方法。例如，在250辆车时，ECOA的平均等待时间为0.372分钟，而最优充电调度方案为0.424分钟；ECOA服务车辆数为35辆，高于其他方案；ECOA平均行驶距离为28.515公里，优于其他方案；ECOA剩余能量为51.864Wh，表明能量利用更高效。ECOA收敛迭代次数为38次，远低于COA的59次，计算时间每迭代6.2ms，优于COA的9.1ms，且约束违反率为0%。

**4.4 EV模型**：研究人员选择了三种EV模型：雪佛兰Volt（电池17kWh，充电功率3.2kW，能耗0.14kWh/km）、日产Leaf（电池39kWh，充电功率6.5kW，能耗0.14kWh/km）和特斯拉Model 3（电池54kWh，充电功率6.5kW，能耗0.13kWh/km）。这些模型用于参数设置，确保仿真具有代表性。

**4.5 讨论**：ECOA调度方法优于现有方法的原因在于其结合了COA和EWMA的优势。COA能在复杂搜索空间中找到局部最优解，而EWMA用于检测目标值处理的微小变化。ECOA综合考虑能量、距离、平均等待时间、适应度函数和需充电EV数量，通过优化充电站布局减少配电网功率损耗并提高母线电压剖面。

**结论**：本研究的主要贡献是将指数加权移动平均(EWMA)机制集成到基于凸优化的电动汽车充电调度器中，形成稳定、低延迟、实时的协调结构。所提出的指数凸优化算法(ECOA)将短期历史趋势纳入优化，从而平滑充电需求、站拥堵和等待时间的临时变化，不影响传统凸优化技术的性能。ECOA框架同时优化平均等待时间、行驶距离、单位距离能耗、剩余电池能量和站拥堵等性能指标。该方法不需要训练数据、奖励建模或策略迭代更新，非常适合动态交通条件下的实时应用。不同交通密度下的仿真结果表明，ECOA始终优于基线调度方法。在多达250辆车的大规模场景中，所提方法实现了最小平均行驶距离（28.515 km）、最大剩余能量（51.864 Wh）和最短平均等待时间（0.372 min）。这些发现验证了ECOA在高效调度城市道路网络EV充电站方面的可扩展性、鲁棒性和可行性。总体而言，ECOA框架是减少充电站拥堵、提升用户体验和运营效率的计算有效且可行的解决方案。