Cyber-Attack Event Analysis for EV Charging Stations
安全可靠的电动汽车充电站(EVCS)在智能交通基础设施中非常重要。随着对EV充电需求的不断增长,EVCS的普及率随着时间的推移而迅速增加。然而,信息和通信技术(ICT)的发展使得EVCS的网络物理系统(CPS)容易受到网络攻击,这可能会破坏电网基础设施以及充电环境的稳定。这项研究提出了一种基于5Ws \& 1H的调查方法来处理网络攻击相关事件,因为目前的调查框架无法理解和处理这些事故。此外,提出了一个随机异常检测系统(ADS),以识别异常,异常活动,和不寻常的操作站实体作为一个后网络事件分析。
2022-11-15 cs.SY eess.SY
Machine Learning-Enabled Cyber Attack Prediction and Mitigation for EV Charging Stations
安全可靠的电动汽车充电站(EVCS)在智能交通基础设施中已变得势在必行。多年来,电动车辆控制系统的部署迅速增加,以满足不断增长的充电需求。然而,信息和通信技术(ICT)的进步使这种网络物理系统(CPS)容易受到网络威胁,从而破坏充电生态系统甚至整个电网基础设施的稳定。本文开发了一种先进的网络安全框架,其中STRIDE威胁建模用于识别EVCS中的潜在漏洞。此外,加权攻击防御树的方法来创建多个攻击场景,其次是开发隐马尔可夫模型(HMM)和部分可观察蒙特卡罗规划(POMCP)算法建模的安全攻击。此外,潜在的缓解策略,建议所确定的威胁。
2022-08-22 cs.CR cs.SY eess.SY
Grid-aware Scheduling and Control of Electric Vehicle Charging Stations for Dispatching Active Distribution Networks. Part-I: Day-ahead and Numerical Validation
本文提出一种两阶段电网感知调度与控制框架,通过日前调度和实时模型预测控制,利用电动汽车充电站灵活性,确保配电网在电压和潮流约束内安全经济运行。
2024-04-19 cs.SY eess.SY
Coordinated Battery Electric Vehicle Charging Scheduling across Multiple Charging Stations
School of Engineering, RMIT University(皇家墨尔本理工大学工程学院)
本文提出一种结合碳排放计划与动态经济调度的多目标优化框架,通过G2V和V2G技术协调多充电站BEV充放电,实现V2G参与率提升超10%、EVCS收益增加超20%并降低网络损耗。
2025-09-22 cs.SY eess.SY
Personalized Dynamic Pricing Policy for Electric Vehicles: Reinforcement learning approach
本研究提出了一种基于Q学习的个性化动态定价策略(PeDP),通过多充电站竞争仿真环境最大化fast-EVCS收入,揭示了等待时间重要性、策略性能及隐私信息滥用风险。
2024-01-01 cs.GT cs.SY eess.SY
Multiscale Spatio-Temporal Enhanced Short-term Load Forecasting of Electric Vehicle Charging Stations
Shenzhen Power Supply Bureau Co., Ltd.(深圳供电局有限公司);Electric Power Research Institute, CSG(中国南方电网电力科学研究院);Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院);Tsinghua University(清华大学)
针对电动汽车充电站负荷受非线性充电行为、站间空间作用及复杂时间变化影响的问题,提出融合多尺度图神经网络、循环学习与残差融合的 MSTEM,并在真实快充、慢充数据上验证其短期预测优势。
2024-05-29 cs.AI cs.LG cs.SY
Electric Vehicle Charging Right Trading: Concept, Mechanism, and Methodology
针对电动汽车无序充电导致的拥堵问题,本文提出电动汽车充电权交易机制,利用排队论估算等待时间并更新充电价格,经仿真验证可有效减少等待时间、缓解充电拥堵。
2026-08-26 cs.SY eess.SY
Deep Reinforcement Learning-Based Optimization of Second-Life Battery Utilization in Electric Vehicles Charging Stations
University of Michigan – Dearborn(密歇根大学迪尔伯恩分校);Laval University(拉瓦尔大学)
本文针对含二次利用电池和储能系统的电动汽车充电站运行优化问题,提出基于深度强化学习软演员-评论家(SAC)的规划框架,利用全年数据离线训练并在不确定性下实现实时优化。
2025-02-05 cs.LG cs.SY eess.SY
Multi-objective Scheduling of Electric Vehicle Charging/Discharging with Time of Use Tariff
电动汽车(EV)的增加导致对电力的需求增加,有时会对电网造成压力。电动汽车的不协调充电可能会对配电网络造成压力,并且在充电过程中通常需要某种形式的优化。最优协调充电本质上是一个多目标优化问题(MOOP),目标函数包括最低价格充电和最小化对电网的干扰。在这篇手稿中,我们提出了一个通用的多目标电动汽车充电/放电时间表(MOEVCS)框架,其中使用时间(TOU)的关税是根据负载要求在每个时间戳设计的。为了获得最优调度方案并平衡不同利益相关者(如电动汽车所有者,电动汽车充电站(EVCS)和电网运营商)的竞争利益,我们设计了三个竞争目标函数,包括电动汽车所有者成本,EVCS利润和网络影响。此外,我们创建了四个不同的收费请求分布在调查期间的应用场景。由于不同类型的决策变量在这个MOOP,我们开发了一个约束混合变量多目标进化算法(MVMOEA),以实现建议MOEVCS框架。我们的研究结果表明,MOEVCS在三个相互竞争的目标之间取得平衡的有效性。
2021-10-20 cs.SY eess.SY
Planning of Fast Charging Infrastructure for Electric Vehicles in a Distribution System and Prediction of Dynamic Price
本文针对配电系统中电动汽车快速充电基础设施选址问题,提出基于MOPSO的多目标优化方法以最小化功率损耗和电压偏差,并结合ARIMA模型预测动态电价,实现充电站成本效益最大化。
2023-09-22 cs.SY eess.SY
GDGU: A Gradient Difference-based Graph Unlearning Method for Cyberattack Localization in Electric Vehicle Charging Networks
Department of Mechanical Engineering, The University of Texas at Dallas(德克萨斯大学达拉斯分校机械工程系);Idaho National Laboratory(爱达荷国家实验室)
针对电动汽车充电站数据删除需求,提出基于梯度差异的图遗忘方法(GDGU),通过一阶参数校正实现高效遗忘,在保持定位性能的同时显著降低计算开销。
2026-06-19 cs.AI cs.SY eess.SY
Coordinating Flexible Demand Response and Renewable Uncertainties for Scheduling of Community Integrated Energy Systems with an Electric Vehicle Charging Station: A Bi-level Approach
带电动汽车充电站的社区综合能源系统(CIES)为解决日益增长的能源效率和环境污染问题提供了新的途径,协调灵活的需求响应和多种可再生能源的不确定性是一项关键任务。为此,本文建立了一个新的双层优化调度模型的CIES与EVCS在多利益相关者的场景。在该模型中,一个综合的需求响应计划的目的是促进能源供应和需求之间的平衡,同时保持用户的综合满意度在可接受的范围内。为进一步挖掘需求响应潜力,灵活引导用户能源消费和电动汽车行为(充电、放电和提供旋转储备),提出了分时电价和实时电价相结合的动态电价机制。在求解阶段,利用序列运算理论(SOT),将原机会约束规划(CCP)模型转化为一个易于求解的混合整数线性规划(MILP)模型,并利用CPLEX求解器进行求解。对华北地区一个实际的CIES的仿真结果表明,该方法通过协调灵活的需求响应和不确定的可再生能源,实现了CIES和EVCS之间的利益平衡。
2021-07-16 cs.SY eess.SP eess.SY
A Hybrid Intrusion Detection System for Electric Vehicle Charging Infrastructure
Fraunhofer Institute for Applied Information Technology(弗劳恩霍夫应用信息技术研究所);RWTH Aachen University(亚琛工业大学)
提出一种混合入侵检测系统,结合网络和主机检测层,利用CICEVSE2024数据集对多种攻击进行多分类,网络检测准确率达99.99%,主机检测达83.47%,优于单源检测方法。
2026-08-24 cs.CR cs.SY eess.SY
Grid-aware Scheduling and Control of Electric Vehicle Charging Stations for Dispatching Active Distribution Networks. Part-II: Intra-day and Experimental Validation
本文提出一种电网感知的电动汽车充电站日内控制方法,采用模型预测控制跟踪日前调度计划,并通过实验验证其在主动配电网中的有效性。
2024-04-19 cs.SY eess.SY
A Game-Theoretic Decentralized Real-Time Control of Electric Vehicle Charging Stations - Part II: Numerical Simulations
Politecnico di Milano(米兰理工大学);Swiss Federal Institute of Technology, Lausanne(洛桑联邦理工学院)
本文提出基于Stackelberg博弈的ADMM方法,用于电动汽车充电站的去中心化实时控制,通过激励机制引导电动车充电行为,实现高效能管理。
2026-04-09 cs.SY eess.SY
Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms
本文研究了针对智能电动汽车充电站的充电操纵攻击(CMAs),提出可绕过现有协议保护的攻击方法并量化其对聚合器经济利润的影响,同时设计了基于无监督深度学习的检测机制以应对此类安全威胁。
2023-10-18 cs.CR cs.SY eess.SY
Electric Vehicle Charging Station Placement: Formulation, Complexity, and Solutions
Hong Kong Baptist University(香港浸会大学)
本文提出电动汽车充电站选址问题,证明其计算复杂性,并提出四种解决方案,评估其在不同案例中的性能。
2014-06-10 cs.SY eess.SY math.OC
Modelling of the Electric Vehicle Charging Infrastructure as Cyber Physical Power Systems: A Review on Components, Standards, Vulnerabilities and Attacks
本文综述了将电动汽车充电基础设施建模为信息物理系统的组件、标准、漏洞与攻击,旨在缓解充电站拥堵并支持无住宅充电设施的车主。
2023-11-15 cs.SY eess.SY
Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning
Department of Data Science and AI, Faculty of IT, Monash University(蒙纳士大学信息技术学院数据科学与人工智能系);Monash Energy Institute, Monash University(蒙纳士大学蒙纳士能源研究所)
本文提出一种安全增强的虚拟电厂框架,利用多智能体强化学习在有限信息约束下协调多个电动汽车充电站,确保电压安全并维持经济运行。
2026-03-24 cs.AI cs.SY eess.SY
Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand
Tsinghua University(清华大学);State Key Laboratory of Power Systems(电力系统国家重点实验室);Beijing Deepseek Artificial Intelligence Fundamental Technology Research Co., Ltd.(北京深度求索人工智能基础技术研究有限公司);Huazhong University of Science and Technology(华中科技大学);School of Electrical and Electronic Engineering, Huazhong University of Science and Technology(华中科技大学电气与电子工程学院);The University of Hong Kong(香港大学)
针对电动汽车充电需求高波动、高维的预测难题,提出基于PICNN的分层概率预测方法,结合可微凸优化层实现场景一致性协调,经真实数据验证优于传统分层协调方法。
2024-11-04 cs.LG cs.SY eess.SY
Co-Optimization of Scheduling, Control, and Incentivization of Electric Vehicles for Improving Power System Stability
North Carolina State University(北卡罗来纳州立大学);The University of Electro-Communications(电气通信大学)
该研究提出一种协同优化与最优控制框架,通过货币激励引导电动汽车驾驶员调整充电策略,可提升配电系统的电压稳定性及中频振荡模式阻尼因子。
2026-10-14 cs.SY eess.SY
Congestion Forecasting for Electric Vehicle Charging Scheduling with Fluid Queues
KTH Royal Institute of Technology(皇家理工学院)
提出一种基于流体的拥塞预测方法,用于电动汽车充电调度,在考虑不确定性到达和容量约束下预测充电站可用性,并减少等待时间高达14%。
2026-05-26 cs.SY eess.SY
Electric Vehicle Charging Profile Forecasting Using Hybrid Models
Politecnico di Milano(米兰理工大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本文提出了一种混合轻量级方法,用于在充电过程前后估计电动汽车的充电曲线,同时评估了不同信息水平对充电曲线时间转换的影响。
2026-08-31 cs.SY eess.SY
Profit Maximization for Electric Vehicle Charging Stations Using Multiagent Reinforcement Learning
National Tsing Hua University(国立清华大学);Deakin University(迪肯大学)
本文提出基于双超网络 QMIX 的多智能体强化学习框架,用于优化电动汽车充电站的利润最大化,通过引入内部能源交易机制提升经济性和运营效率。
2026-01-17 cs.SY eess.SY
Multi Feature Data Fusion-Based Load Forecasting of Electric Vehicle Charging Stations Using a Deep Learning Model
提出了一种基于多特征数据融合的预测技术,以提高电动汽车充电站负荷预测深度学习模型的准确性。所提出的方法使用基于历史天气(风速、温度和湿度)数据的观测的多特征输入作为长短期记忆(LSTM)模型的多个输入,以实现对充电负载的鲁棒预测。天气条件是电动汽车驾驶员行为及其驾驶模式的重要影响因素。这些行为和驾驶模式影响驾驶员的收费模式。与传统LSTM模型的一个预测(步骤、模型或变量)不同,电动汽车的三个充电负载(能源需求)预测取决于不同的多特征输入。利用数据融合技术对不同充电负荷预测结果进行组合优化。通过预测的平均绝对预测误差来评价最终实现的模型的性能。该模型的预测误差为3.29%。该预测误差低于LSTM模型的初始预测结果。数值结果表明,电动汽车负荷预测的性能有所改善,表明该模型可以用来优化和改善电动汽车充电站的电动汽车负荷预测,以满足电动汽车的能源需求。
2023-01-31 cs.SY eess.SY
Controlling Large Electric Vehicle Charging Stations via User Behavior Modeling and Stochastic Programming
Schneider Digital - AI Hub, Schneider Electric(施耐德数字人工智能中心,施耐德电气);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本文提出基于用户行为建模和随机规划的电动汽车充电站控制方法,通过模型预测控制和两阶段随机规划处理不确定性,在保持用户满意度的同时降低成本。
2024-11-13 cs.AI cs.CE cs.LG
Co-Optimization of EV Charging Control and Incentivization for Enhanced Power System Stability
针对配电网络中EV高充电速率需求导致的动态性能问题,提出协同优化与控制策略:通过优化EV充电设定点(最小化电网模型$\mathcal{H}_2$范数)和LQR状态反馈控制电池电流,结合价格激励引导用户降低充电速率,经IEEE 33节点仿真验证可增强系统稳定性。
2025-08-25 cs.SY eess.SY math.OC
A Comprehensive Incremental and Ensemble Learning Approach for Forecasting Individual Electric Vehicle Charging Parameters
针对电动汽车充电参数预测中动态训练缺失和数据利用不足的问题,提出结合增量学习与六种机器学习模型的双模型方法,通过动态更新、特征优化等提升准确性,R²提高2.83%至43.44%,可支持智能充电与电网管理。
2025-08-25 cs.SY eess.SY
A Game-Theoretic Decentralized Real-Time Control of Electric Vehicle Charging Stations - Part I: Incentive Design
Politecnico di Milano(米兰理工大学);Swiss Federal Institute of Technology, Lausanne(洛桑联邦理工学院)
本文提出一种去中心化算法整合到三级能源管理系统中,通过Stackelberg博弈交替方向乘子法设计激励机制,解决电动汽车充电站实时控制中的激励问题。
2026-04-09 cs.SY eess.SY
Mixer-Informer-Based Two-Stage Transfer Learning for Long-Sequence Load Forecasting in Newly Constructed Electric Vehicle Charging Stations
本文提出MIK-TST两阶段迁移学习框架,融合Mixer、Informer和KAN以解决新建充电站长序列负荷预测中数据有限与长时依赖问题,在博尔德26个充电站数据集上MAE降低4%、MSE降低8%,优于基线方法。
2025-05-10 cs.SY eess.SY
Demand Forecasting for Electric Vehicle Charging Stations using Multivariate Time-Series Analysis
针对电动汽车充电需求增长带来的充电站管理难题,提出带注意力机制的多变量LSTM网络以15分钟间隔预测日充电需求,结合SHAP量化特征贡献,经仿真验证有效,可支撑基础设施规划决策。
2025-02-22 cs.SY eess.SY
Integrated Modeling and Forecasting of Electric Vehicles Charging Profiles Based on Real Data
本文基于500辆北美实测电动汽车数据,提出一种个体住宅多充电算法并推导概率函数,用于建模日常充电曲线,在准静态时间序列视角下评估大量电动汽车接入对配电网的影响。
2024-08-25 cs.SY eess.SY
Stochastic Model Predictive Control of Charging Energy Hubs with Conformal Prediction
Eindhoven University of Technology(埃因霍温理工大学)
本文提出了一种基于置信预测的随机MPC方法,用于优化能源枢纽的充电管理,通过概率预测和场景分析实现成本最优运行。
2025-08-29 cs.SY eess.SY
A Joint Planning Model for Fixed and Mobile Electric Vehicle Charging Stations Considering Flexible Capacity Strategy
针对EV充电给电网与交通系统带来的压力,本文提出FCS与MCS两阶段联合规划模型及改进ADMM分布式求解方法,并引入灵活容量策略以降低社会成本与建设投资。
2025-07-23 cs.SY eess.SY
Grid-ECO: Grid Aware Electric Vehicle Charging Stations Placement Optimizer
University of Vermont(佛蒙特大学);Carnegie Mellon University(卡内基梅隆大学)
Grid-ECO通过精确求解混合整数非线性规划问题,优化电动汽车充电站选址,实现接近零最优间隙和保证交流可行性。
2026-09-30 cs.SY eess.SY
Forecast-based charging strategy to prolong the lifetime of lithium-ion batteries in standalone PV battery systems in Sub-Saharan Africa
针对撒哈拉以南非洲独立光伏电池系统,提出基于预测的充电策略,通过降低平均荷电状态约20%来延长锂离子电池寿命,且不引起停电。
2023-05-15 cs.SY eess.SY
Ransomware Detection Using Deep Learning in the SCADA System of Electric Vehicle Charging Station
University of Memphis(孟菲斯大学)
监控和数据采集(SCADA)系统一直在不断利用网络架构、通信协议、下一代通信技术(5G、6 G、Wi-Fi 6)和物联网(IoT)的发展。然而,SCADA系统已成为勒索软件攻击者最有利可图和最具吸引力的目标。针对SCADA控制电动汽车充电站(EVCS),提出了基于深度学习的新型勒索软件检测框架,分析了深度神经网络(DNN)、一维卷积神经网络(CNN)和长短期记忆(LSTM)递归神经网络3种深度学习算法的性能。所有三个基于深度学习的模拟框架都实现了约97%的平均准确率(ACC),超过98%的平均曲线下面积(AUC),以及10倍分层交叉验证下的平均F1得分,平均误报率(FAR)小于1.88%。勒索软件驱动的分布式拒绝服务(DDoS)攻击往往通过超过SOC控制阈值来改变SOC配置文件。已发现严重性随着攻击进展和渗透的增加而增加。此外,勒索软件驱动的虚假数据注入(FDI)攻击有可能通过操纵SOC控制阈值来损坏整个BES或物理系统。这是一个设计选择和优化问题,深度学习算法可以基于性能指标之间的权衡来部署。
2021-04-15 cs.LG cs.SY eess.SY
SecFD-FL: Frequency-Decoupled Federated Learning with Secure Aggregation for Charging Load Forecasting in Internet of Electric Vehicles
Tennessee Technological University(田纳西科技大学);University of Ottawa(渥太华大学)
针对电动汽车互联网充电负荷预测的挑战,提出带安全聚合的SecFD-FL联邦学习框架,通过双流GRU网络和轻量级安全聚合层,实现预测精度、公平性与隐私保护的提升,且无额外每轮通信开销。
2026-10-12 cs.SY eess.SY
Interval Load Forecasting for Individual Households in the Presence of Electric Vehicle Charging
Western University(韦仕敦大学);London Hydro(伦敦水电公司)
针对现有家庭负荷预测多排除带家用充电桩住户、仅提供无不确定性信息的点预测的问题,提出结合LSTM与贝叶斯推理dropout层的LSTM-BNNs方法,实现带预测区间的高精度预测,且验证了疫情封控对模型性能无显著影响。
2023-06-05 cs.AI cs.LG cs.SY
A Forecast Based Load Management Approach For Commercial Buildings -- Comparing LSTM And Standardized Load Profile Techniques
负荷预测问题已经得到了广泛的解决与不同的方法,粒度和目标。最近的研究不仅关注深度学习方法,还关注单个建筑物水平的负荷预测。本研究旨在探讨使用不同的负荷预测技术来管理负荷所产生的问题和可能性。为此,两个神经网络的行为,长短期记忆和前馈神经网络和两种统计方法,标准化负荷曲线和个性化的标准化负荷曲线进行了分析和评估,通过使用滑动窗口预测方法。结果表明,机器学习算法具有能够适应新模式的优势,而个性化的标准化负载配置文件在指标上与测试的深度学习算法相似。作为评估能源管理系统应用程序负载预测支持的案例研究,通过使用负载预测来调度充电程序,模拟充电站与现有建筑物的集成。它表明,这样的系统可以导致显著较低的负荷峰值,超过规定的电网限制,并减少过载的数量相比,不受控制的充电。
2020-07-14 cs.SY eess.SY
An Approach to Implement Photovoltaic Self-Consumption and Ramp-Rate Control Algorithm with a Vanadium Redox Flow Battery Day-to-Day Forecast Charging
太阳能资源的变化主要是由云层通过引起的,这会导致光伏(PV)系统输出功率的快速波动。波动可能会对电网产生负面影响,平滑技术可以用来尝试纠正it.However,光伏+VRFB的整合,以处理极端功率斜坡在建筑规模的文献中探索不足,以及其有效性与其他能源管理策略(EMS)相结合。这项工作的重点是使用VRFB来控制光伏装置的功率输出,将斜坡率保持在非违规限制和电池荷电状态(SOC)范围内,适合于执行斜坡率管理。在模型仿真的基础上,研究了能量关键性能指标(KPI),并进行了实时验证。模拟了三种EMS:自消耗最大化(SCM)和具有斜坡速率控制的SCM(SCM+RR),并且该最后策略包括基于前一天天气预报的夜间电池充电(SCM+RR+WF)。结果表明,电池SOC管理控制是必要的,这些EMS在VRFB上的应用,和在线天气预报被证明是有效的实时应用。SCM+RR+WF是冬季管理PV+VRFB系统的稳健方法(已研究应用),高PV渗透率建筑区域使其成为可行方法。在研究的一周内,该策略成功地控制了100%的违规功率斜坡,还获得了59%的自耗率(SCR)和61%的电网缓解因子(GRF)。
2022-01-27 cs.SY eess.SY
AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for Electric Vehicle Charging Station Availability Forecasting
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (ASTAR)(新加坡科技研究局资讯通信研究院(I2R))
电动汽车充电需求和充电站可用性预测是智能交通系统面临的挑战之一。通过准确的电动汽车站点状况预测,可以提前安排合适的充电行为,以缓解里程焦虑。现有的许多深度学习方法都是针对这一问题提出的,但由于道路网络结构复杂,外部因素如兴趣点(POI)、天气影响等综合影响,许多常用算法只能提取历史使用信息,而没有考虑外部因素的综合影响。为提高预测精度和可解释性,提出了一种属性增强时空图信息器(AST-GIN)结构,该结构将图卷积网络(GCN)层和信息器层相结合,提取相关交通数据的外部和内部时空相关性。利用属性增强编码器将外部因素建模为动态属性进行训练。AST-GIN模型在邓迪市收集的数据进行了测试,实验结果表明,我们的模型考虑外部因素的影响,在不同的水平设置与其他基线相比,有效性。
2022-09-07 cs.LG cs.SY eess.SY
Predictive Rerouting of Connected and Automated Vehicles Using Traffic and Charging Demand Forecasts
Cornell University(康奈尔大学);Shanghai Jiao Tong University(上海交通大学)
本文提出一种结合DCRNN预测与路由策略的框架,用于联网自动驾驶车辆在混合交通中的预测性重路由,以降低拥堵、排放和充电需求影响,实验表明其能有效改善出行效率。
2026-10-08 cs.NI cs.SY eess.SY
Reliable Dispatch of Renewable Generation via Charging of Dynamic PEV Populations
Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院自动化与应用信息学研究所)
本文提出一种三阶段方案,通过动态PEV群体充电实现包含间歇性可再生能源的系统调度,解决间歇性发电的不确定性及车辆聚合时间变化的问题。
2018-05-24 cs.SY eess.SY
Investigating the Spatiotemporal Charging Demand and Travel Behavior of Electric Vehicles Using GPS Data: A Machine Learning Approach
University of Central Florida(中佛罗里达大学)
电动汽车(EV)的日益增长的市场渗透可能改变驾驶员的出行行为,并且对电力系统提出显著的电力需求。由于电力需求取决于电动汽车的出行行为,而电动汽车的出行行为具有内在的不确定性,因此每日充电需求(CD)的预测将是一项具有挑战性的任务。在本文中,我们使用记录的GPS数据的电动汽车和传统的汽油动力车辆从同一个城市调查的潜在转变的驾驶员的出行行为,从传统车辆到电动汽车和预测的时空模式的日常CD。我们的分析表明,电动汽车和传统汽车的出行行为是相似的。此外,预测结果表明,所开发的模型可以生成准确的时空格局的每日CD。
2022-02-28 cs.LG cs.SY eess.SY
Analyzing the Travel and Charging Behavior of Electric Vehicles -- A Data-driven Approach
University of Central Florida(中佛罗里达大学)
电动汽车(EV)的市场渗透率不断增加,可能会对电力系统产生巨大的电力需求。这种电力需求受到电动汽车出行行为固有的不确定性的影响,这使得预测每日充电需求(CD)非常具有挑战性。在这个项目中,我们使用全国住房调查(NHTS)数据来形成行程序列,并开发机器学习模型来预测驾驶员下一次行程的参数,包括行程开始时间,结束时间和距离。这些参数稍后用于对EV的临时充电行为进行建模。仿真结果表明,所提出的模型可以有效地估计基于电动汽车出行行为的每日CD模式,简单的机器学习技术可以预测出行参数,具有可接受的精度。
2021-06-11 cs.LG cs.SY eess.SY
Mobility-Aware Smart Charging of Electric Bus Fleets
我们研究的联合路线分配和充电调度问题的公交系统调度员操作的电动巴士车队,以最大限度地提高太阳能集成和降低能源成本。具体来说,我们考虑了一个复杂的公交系统,该系统具有预先存在的路线、有限的充电基础设施、有限数量的电动公交车以及随时间变化的电价。我们提出了一个混合整数线性规划(MILP),产生最小成本的每日运营策略的船队(即,使用每日太阳能预测的路线分配和充电时间表)。我们从斯坦福大学的玛格丽特班车(一个大规模的电动巴士车队)的现实世界的案例研究中提出的数值结果,以证明我们的解决方案的有效性,并强调显着的成本节约相比,现状。
2019-12-11 cs.SY eess.SY
Communication-Free Distributed Charging Control for Electric Vehicle Group
针对居民区电动汽车无序充电致变压器过载、现有充电控制依赖通信的问题,提出无通信分布式充电控制方案,结合GMM基线估计与概率控制实现自主充电规划,经真实数据验证可降低通信故障后变压器过载概率。
2023-12-17 cs.SY eess.SY
Energy Management of a Multi-Battery System for Renewable-Based High Power EV Charging
具有电池存储和本地可再生能源发电的混合快速充电站可以促进低碳电动汽车(EV)充电,同时减少配电网的压力。本文提出了一种新的多电池设计,直接连接其串到其他直流组件通过母线矩阵,而不需要接口电源转换器的能量管理策略。因此,能量管理系统具有两个控制度:(i)将串分配给其他DC微电网部件,在这种情况下是光伏系统、两个EV快速充电器和并网逆变器,以及(ii)管理与本地配电网的能量交换。对于电网交换,将基本下垂控制与包括决策中的预测的增强控制进行比较。为此,本文评估了多个蒙特卡洛模拟捕捉电动汽车充电的不确定性的结果。对于每个模拟运行中的实际充电行为,基于到达时间、充电持续时间和所需能量的实际快速充电数据的概率分布创建随机快速充电配置文件。充电器的不同使用水平的影响是通过改变每天1至30辆电动汽车的平均充电次数来评估的。使用不同月份的实际光伏测量,数值分析表明,增强的控制通过减少电网交换增加了自给自足,并减少了电池周期的数量。然而,增强的控制使电池更接近其充电极限,这可能会加速日历老化。
2022-03-15 cs.SY eess.SY
A High-Resolution Synthetic EV Charging Dataset for Cold-Climate Distribution Grid Impact Analysis: Trondheim, Norway (2020-2030)
University of Alberta(阿尔伯塔大学)
该研究构建了挪威特隆赫姆2020-2030年寒区高分辨率合成EV充电数据集,整合多类特征与CTGAN等模型生成,为配电网相关分析提供基准。
2026-09-01 cs.SY eess.SY
Distributed Charging Coordination for Electric Trucks under Limited Facilities and Travel Uncertainties
针对电动卡车充电等待时间长与站点设施有限的问题,提出分布式协调框架,利用站点预测与车-站通信处理出行不确定性,仿真显示平均等待时间较离线计划降低46.1%。
2025-01-21 cs.SY eess.SY
Dynamic Load Balancing for EV Charging Stations Using Reinforcement Learning and Demand Prediction
本文提出结合预训练图神经网络需求预测与强化学习的电动汽车充电网络动态定价和负载均衡框架,利用深圳EVCDP数据集验证其能显著改善负载均衡并减少过载。
2025-03-09 cs.SY eess.SY
Open-Loop and Model Predictive Control for Electric Vehicle Charging to Manage Excess Renewable Energy Supply in Texas
该研究基于德克萨斯州2035年可再生能源装机与电动车队预测,对比开环控制与模型预测控制(MPC)利用时变费率消纳过剩可再生能源的效果,发现MPC消纳效果更优但步长过频会引发问题,需平衡能源利用率与用户参与度。
2024-12-11 cs.SY eess.SY
Dynamic Electric Vehicle Charging Pricing for Load Balancing in Power Distribution Networks based on Collaborative DDPG Agents
本文提出基于深度强化学习的动态电动汽车充电定价策略,通过预测配电网负荷并比较DDPG、SAC、PPO算法,同时实现削峰填谷与邻近配电网间负载均衡,提升电网整体利用率。
2025-11-09 cs.SY eess.SY