强化学习引导的两阶段多能源优化框架:面向碳感知电动汽车停车场充电调度

《Electronics》:Context-Aware Non-Functional Requirement Classification Using Functional Requirement Guidance and Domain-Specialized Representations

【字体: 大 中 小 】 时间:2026年09月21日 来源:Electronics 2.9

编辑推荐:

  电动汽车(EV)停车场可形成集中的充电需求,该需求将运行成本、电网容量使用与碳排放耦合在一起。本文提出一种强化学习引导的两阶段多能源优化框架,用于碳感知的电动汽车停车场充电。强化学习(RL)层采用深度Q网络(DQN),根据荷电状态(SoC)、离场时间、车辆存在

  
电动汽车(EV)停车场可形成集中的充电需求,该需求将运行成本、电网容量使用与碳排放耦合在一起。本文提出一种强化学习引导的两阶段多能源优化框架,用于碳感知的电动汽车停车场充电。强化学习(RL)层采用深度Q网络(DQN),根据荷电状态(SoC)、离场时间、车辆存在性、电价和电网负荷信息生成数据驱动的充电参考。该参考曲线作为行为参考而非最终调度计划传递给两阶段优化模型。第一阶段确定基线运行与剩余电网裕度;第二阶段在容量、碳预算和多能源约束下,联合调度电动汽车充电以及电转气(P2G)和碳捕集与封存(CCS)决策。一种软跟踪公式将学习曲线与优化调度相衔接,并允许跟踪系数塑造不同运行模式。结果表明,所提框架改善了电网可行性,降低了高峰充电压力,并增强了碳感知运行能力。CCS主要支撑碳预算可行性,而P2G在可再生盈余可用时提供额外价值。
交通电动化正加大配电网络压力。电动汽车(EV)虽减少尾气排放,但大量车辆在同一时段接入本地基础设施时,充电需求会形成尖锐聚合峰,使馈线或变压器过载。停车场内车辆停放时长通常超过达到目标荷电状态(SoC)所需时间,因此充电可延迟、加速或重新分配,但到达时间、离开时间、初始SoC和停放时长的逐会话变化又限制这种灵活性。仅依赖价格调度会把峰值从一个时段转移到另一个时段;只从系统视角优化则可能偏离真实充电行为。碳感知运行进一步引入碳预算约束,并在多能源系统中与电转气(P2G)和碳捕集与封存(CCS)耦合。现有优化模型能显式表达可行域但依赖确定性用户假设;强化学习(RL)方法能适应行为变化,却难以严格保证聚合可行性。为此,研究人员提出RL引导的两阶段多能源优化框架:用深度Q网络(DQN)从数据生成充电参考,再通过两阶段优化将参考转化为满足电网裕度、碳预算和多能源约束的可行调度。

研究使用土耳其?stanbul的?SPARK停车场真实数据,取前100个场景(0–89训练、90–99留出),提取23472次EV会话,以96个15分钟时段表示日运行。方法包括:将充电决策建模为马尔可夫决策过程(MDP),用DQN以SoC、离场时间、连接状态、电网负荷和电价构成状态,三档离散动作生成聚合充电曲线;在通用代数建模系统(GAMS)中建立两阶段线性规划,第一阶段计算剩余电网裕度,第二阶段在容量、碳预算和多能源约束下调度EV充电;软跟踪项用正负偏差和跟踪系数λRL连接RL参考与优化;设置负荷主导与盈余可用两种运行模式和四种多能源配置,并用λRL扫描、多场景多随机种子和预测误差敏感性分析评估。

研究结果如下:

4.1 RL-only充电行为:训练后的DQN策略在低电价时段集中充电,表现出价格驱动的行为;但池化的可达服务失败率为2.27%,聚合峰值显著高于基线,说明该曲线只能作为行为参考,而非可直接部署的调度方案。

4.2 第一阶段裕度与RL可行性限制:第一阶段计算得到临界时段剩余电网裕度为915.60 kW,而RL需求为1617.81 kW,瞬时超调702.21 kW;按裕度简单削峰会损失483.66 kWh日充电能量,因此RL-only曲线不能直接执行。

4.3 RL引导优化调度:第二阶段在裕度约束下重新分配充电,峰值从1617.81 kW降至950 kW,降幅约41.3%;RL原始充电能量2395.75 kWh,削峰后仅1912.09 kWh,GAMS引导调度在满足约束下交付2340.89 kWh,聚合服务缺额78.20 kWh,比简单削峰多恢复428.80 kWh;相对优化-only,DQN引导使能量跟踪偏差从4513.85 kWh降至912.45 kWh(79.8%)。

4.4 跟踪系数λRL的效应:λRL=0时负荷主导方案交付2404.27 kWh,峰值425.53 kW;增至0.20时峰值升至898.45 kW,交付能量略降至2395.17 kWh;λRL≥0.5后进入平台期,交付2340.89 kWh,跟踪偏差912.45 kWh。

4.5 多场景与多随机种子鲁棒性:在留出的10个场景和3个DQN种子下,优化层将EV交付能量的种子间标准差从283.81 kWh降至17.40 kWh,均值从1470.52 kWh升至2155.87 kWh;说明优化层平滑了种子变异,而场景变异主导引导结果。

4.6 CCS在碳预算约束下的作用:无CCS时模型交付1063.83 kWh EV充电能量,净排放0.500 tCO2;有CCS时交付2340.89 kWh,捕获0.717673 tCO2,净排放降至0.382546 tCO2;碳强度从0.00047降至0.000163 tCO2/kWh。CCS是否被使用取决于排放
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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