基于混合预测模型与状态触发自适应调度的电动汽车充电负荷优化研究

《Information》:State-Triggered Adaptive Microgrid Dispatch for EV Charging: A Hybrid Deep Learning and Multi-Objective Optimization Framework

【字体: 大 中 小 】 时间:2026年09月18日 来源:Information 4.3

编辑推荐:

   摘要

  

摘要

电动汽车(EV)充电需求的快速增长要求准确的短期负荷预测以及能够响应微电网运行条件变化的调度策略。本研究提出了一种混合框架,将 VMD-CNN-ABiLSTM-IGCRA 预测模型与状态触发的自适应调度策略相结合。变分模态分解从波动的充电曲线中提取多尺度分量;CNN 和基于注意力的双向 LSTM 学习局部和长程时间特征;改进的巨牙鼬算法调节迭代搜索步长并优化主要模型超参数。调度层由电价、可再生能源波动性、预测电动汽车负荷、电网碳压力和可用电池容量构建五维状态向量。历史阈值激活四种候选运行方案:碳优先、价格驱动、波动稳定和经济–环境平衡调度。当多个方案被触发时,根据当前调度目标在共同的设备和功率平衡约束下选择最佳可行候选方案。采用按时间顺序划分 70% 训练集和 30% 测试集的方式,对来自深圳的三套保密真实充电数据集进行评估,每套数据包含 31 天共 744 个小时级观测值。所提出的预测模型在三组数据集上获得均方根误差(RMSE)1.7719–5.1042、平均绝对误差(MAE)0.8963–3.7562,以及决定系数(R2)85.67%–95.09%。在站点级调度模拟中,平衡型方案 4 相对于方案 1 分别使充电站 1–3 的总成本降低 16.95%、54.53% 和 31.99%。这些结果支持了将负荷预测与透明状态依赖模式选择相结合的运行价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号