Empirical Analysis of AI-based Energy Management in Electric Vehicles: A Case Study on Reinforcement Learning
Jilin University（吉林大学）
基于强化学习（RL）的能量管理策略（EMS）被认为是具有多个电源的电动汽车的能量管理的有前途的解决方案。它已被证明优于传统的方法，在能源管理问题的节能和实时性能。然而，以前的研究并没有系统地研究基于RL的EMS的基本要素。本文提出了一种基于RL的EMS在插电式混合动力电动汽车（PHEV）和燃料电池电动汽车（FCEV）的实证分析。从算法、感知和决策粒度、超参数和奖励函数四个方面进行了实证分析。结果表明，与其他算法相比，Off-policy算法有效地开发了一个更省油的解决方案在完整的驾驶循环。提高感知和决策粒度并不会产生更理想的节能解决方案，但会更好地平衡电池电量和燃料消耗。基于瞬时荷电状态（SOC）变化的等效能量优化目标是参数敏感的，并且可以帮助RL-EMS实现更有效的能量成本策略。
2022-12-18 cs.AI cs.LG
Pedestrian-Aware Engine Management Strategies for Plug-in Hybrid Electric Vehicles
University College Dublin（都柏林大学学院）；University of Western Ontario（韦仕敦大学）；University of Pisa（比萨大学）；IBM Research（IBM研究院）
本文提出基于优化的PHEV引擎管理策略，旨在减少车辆行驶路线对行人环境影响，通过考虑路线依赖性不确定性，实现在硬件在环平台上的验证与评估。
2017-04-06 cs.SY eess.SY
Decentralized Charging of Plug-In Electric Vehicles with Distribution Feeder Overload Control
Rensselaer Polytechnic Institute（伦斯勒理工学院）
研究针对配电网馈线容量限制和变压器过载敏感性，提出电动汽车充电算法以降低负载方差并防止过载。
2016-01-07 cs.SY eess.SY
Co-Optimization of On-Ramp Merging and Plug-In Hybrid Electric Vehicle Power Split Using Deep Reinforcement Learning
目前针对自动入口匝道合并的深度强化学习（DRL）研究忽略了车辆动力系统和动力学。这项工作考虑了使用DRL的功率分流插电式混合动力汽车（PHEV），2015年丰田普锐斯插电式混合动力汽车（Prius Plug-In）的自动入口匝道合并。入口匝道并道控制和PHEV能量管理被协同优化，使得DRL策略直接输出发动机和电动机之间的功率分配。测试结果表明，DRL可以成功地用于协同优化，导致无碰撞的入口匝道合并。当比较顺序的方法，其中上级入口匝道合并控制和较低级别的PHEV能量管理独立地和顺序地执行时，我们发现，协同优化的结果在经济但不稳定的入口匝道合并，而顺序的方法可能会导致碰撞，由于忽略了动力系统功率限制的约束，在设计的上级入口匝道合并控制器。
2022-03-07 cs.SY eess.SY
Plug-in Electric Vehicle Charging Congestion Analysis Using Taxi Travel Data in the Central Area of Beijing
Tsinghua University（清华大学）；Tongji University（同济大学）；University of Washington（华盛顿大学）
本文利用出租车出行数据，提出一种数据驱动方法分析插电式电动车充电站拥堵问题，通过排队论模型评估未来充电拥堵对服务质量的影响。
2017-12-19 cs.SY eess.SY math.OC
Self-Adaptive Anomaly Detection with Reinforcement Learning and Human Feedback in Connected Vehicles
本文针对车联网运行中行为监测的挑战，提出集成强化学习、统计监测和人工反馈的在线异常检测框架，通过自注意力选择检测器、多检测器集成及人工再训练机制，在测试平台上实现持续自适应且避免灾难性遗忘。
2026-07-10 cs.AI cs.LG
Mixed integer nonlinear programming for Joint Coordination of Plug-in Electrical Vehicles Charging and Smart Grid Operations
University of Technology Sydney（悉尼科技大学）；The University of New South Wales（新南威尔士大学）
本文提出利用混合整数非线性规划优化插电式电动汽车充电与电网调度，通过bang-bang策略降低充电和发电成本，抑制电动车集成影响。
2018-06-07 cs.SY eess.SY
Data-driven Energy Management Strategy for Plug-in Hybrid Electric Vehicles with Real-World Trip Information
本文提出了一种用于插电式混合动力汽车的数据驱动的监督能源管理策略（EMS），该策略利用车辆到云的连接，通过从已完成的行程中学习控制策略来提高能源效率。所提出的EMS由两层组成，云层和车载层。云层具有两个主要任务：第一个任务是从历史行程数据学习EMS策略参数，第二个任务是沿着车辆请求的特定路线提供策略参数。车载层从云层接收学习的策略参数，并使用模型预测控制方案计算动力系能量管理问题的实时解决方案。拟议的EMS是在超过3000英里（48个独立的驾驶循环）的真实世界的行程数据，收集沿三个通勤路线在加利福尼亚州进行评估。对于路线，所提出的算法显示3.3%，7.3%，和6.5%的平均MPGe相比，基线EMS的改善。
2020-06-05 cs.SY eess.SY
A Fault-Tolerant Integrated Vehicle Stability Control Using Adaptive Control Allocation
本文的重点是一个综合的，容错车辆监控算法的整体稳定性的地面车辆。车辆控制系统包含许多可以通过通信网络彼此通信的传感器和致动器。建议的监督控制方案是由一个高层次的控制器，创建一个虚拟的控制输入矢量和一个低层次的控制分配器，分配冗余执行器之间的虚拟控制工作。虚拟控制输入包含所需的牵引力、偏航、俯仰和侧倾力矩修正以及横向力修正，以确保在遵循驾驶员启动的操纵基准时保持稳定性。基于虚拟控制输入向量，分配模块确定前转向角校正、后转向角、每个轮胎处的牵引力和主动悬架力。所提出的控制框架区别于文献中的早期结果，它能够适应故障和不确定性，通过在线更新其参数，而不需要故障识别。使用十四自由度非线性车辆模型在仿真环境中验证了控制结构。我们的研究结果表明，所提出的方法，确保车辆遵循的驱动程序创建的参考，尽管致动器的有效性损失高达30%以上的纵向机动速度和约35%的较低的滚动和俯仰角在转向与代表性的驾驶场景。
2020-08-13 cs.SY eess.SY
Asynchrony-Resilient and Privacy-Preserving Charging Protocol for Plug-in Electric Vehicles
插电式电动汽车（PEV）的普及倡导一种分布式模式，用于协调PEV充电。不同于现有的原始-对偶分解或共识方法，本文提出了一种基于切割平面的分布式算法，它可以实现异步协调，同时很好地保护个人的隐私信息。为此，一个等价的代理模型首先构造利用原优化问题的对偶性，它掩盖了个人用户的私人信息的转换。在此基础上，提出了一种基于割平面的代理问题分布式求解算法，该算法具有处理各种复杂问题的内在优势。关键的实现问题，如分布式初始化，切割平面生成和本地停止标准，进行了详细讨论。对IEEE 37节点和123节点馈线的实际数据进行了数值试验，结果表明，该方法具有较强的抗干扰能力，并支持即插即用的运行模式。预计所提出的方法提供了一种替代路径，以更实用的协议PEV充电。
2020-05-26 cs.SY eess.SY
Behaviour-neutral Smart Charging of Plugin Electric Vehicles: Reinforcement learning approach
大功率电动汽车（EV）充电会由于高峰需求充电而显著增加充电成本。本文提出了一种新的充电算法，该算法利用通常长的插件会话为国内充电器，并降低了整体充电功率的升压充电的EV短时间内，其次是低功率充电的插件会话的其余部分。通过对EV过去的充电会话进行训练，使用强化学习来获得升压和低功率充电阶段的最佳参数。与一些先前的工作相比，所提出的算法不试图预测插件会话持续时间，如分析中所示，由于人类行为的性质，在实践中很难准确预测插件会话持续时间。相反，收费参数被直接控制，并且随着时间的推移透明地适应用户的收费行为。对来自22，731个国内充电站的310万个充电会话的英国数据集进行的性能评估表明，所提出的算法可以减少31%的总峰值。实验还证明了历史大小对学习行为的影响，并通过将该算法应用于特定的充电点的案例研究得出结论。
2022-06-23 cs.SY eess.SY
Systems Engineering for Autonomous Vehicles; Supervising AI using Large Language Models (SSuperLLM)
该研究探讨将大语言模型（LLM）应用于自动驾驶车辆系统工程，覆盖需求开发、需求验证场景，并基于平面自行车动力学模型与LQR控制实现了带LLM API的监督控制概念验证，同时开源了仿真工具。
2025-01-18 cs.SY eess.SY
A Strategy for Power System Stability Improvement via Controlled Charge/Discharge of Plug-in Electric Vehicles
Macedonian Academy of Sciences and Arts（马其顿科学与艺术院）；Faculty of Computer Sciences and Engineering, University “Ss Cyril and Methodius”（斯西里尔和麦托迪乌斯大学计算机科学与工程学院）；Faculty of Electrical Engineering and Information Technologies, University “Ss Cyril and Methodius”（斯西里尔和麦托迪乌斯大学电气工程和信息技术学院）；BioCircuits Institute, UC San Diego（加州大学圣地亚哥分校生物电路研究所）
本文提出利用本地频率测量对插电式电动车进行智能控制，以提高电力系统稳定性，通过IEEE Case 3和新英格兰电力系统验证，结果显示V2G提升了稳态稳定性，扩大了稳定性区域，减少了暂态中的频率和电压波动，并延长了临界清除时间。
2015-06-22 cs.SY eess.SY
Public Plug-in Electric Vehicles + Grid Data: Is a New Cyberattack Vector Viable?
高瓦数的需求方电器，如插电式电动汽车（PEV）正在激增。因此，有关PEV充电模式的信息可以通过智能手机应用程序访问，这些应用程序汇总了公共PEV充电站的实时可用性和历史使用情况。此外，关于电网基础设施和运营的信息已经越来越多地在公用事业公司、附属公司和电网运营商的技术文档和实时仪表板中可用。本研究探讨的研究问题是：人们能否将高瓦数需求侧设备与公共信息相结合，对电网发动网络攻击？为了回答这个问题并报告概念验证演示，该研究使用电动汽车充电站智能手机应用程序和美国能源信息管理局、纽约独立系统运营商分发的电网数据从纽约州曼哈顿的公共来源收集了数据。纽约市的当地公用事业公司。然后，它设计了一种新的数据驱动的网络攻击策略，使用基于状态反馈的部分特征值重定位，其目标是电网的频率稳定性。该研究确定，虽然这种攻击在目前PEV的渗透水平下是不可能的，但一旦PEV的数量增加，它将是可行的。
2020-02-27 cs.SY eess.SY
Strategies to Maintain Voltage on Long, Lightly Loaded Feeders with Widespread Residential Level 2 Plug-in Electric Vehicle Charging
随着插电式电动汽车（PEV）普及率的增加，为住宅负载提供服务的长、轻负载馈线可能会开始经历电压偏移。住宅PEV充电往往发生在住宅馈线的峰值负荷时间，导致峰值负荷增加和潜在的电压偏移。为了避免电压漂移，两个PEV充电控制策略进行了研究，使用IEEE 34总线馈线。第一种策略将PEV充电能量从高峰时段转移到非高峰时段;另一种策略允许PEV提供无功功率支持。当使用这两种控制策略时，在200辆PEV的不受控制充电的模拟中看到的欠压偏移得到了显着改善。馈线上的最小电压从PEV充电不受控制时的0.855 pu提高到同时应用两种控制策略时的0.959 pu。
2022-06-11 cs.SY eess.SP eess.SY
Combined Eco-Routing and Power-Train Control of Plug-In Hybrid Electric Vehicles in Transportation Networks
研究了插电式混合动力汽车（PHEV）的生态路径问题，以最小化总能耗成本。我们提出了一种算法，它可以同时计算能量最优路线（生态路线）的PHEV和最优的动力传动系统控制策略在这条路线。为了证明我们的方法在实践中的有效性，我们使用HERE Maps API来应用我们的算法，该算法基于波士顿市的交通数据，拥有超过110，000个链接。此外，我们验证了我们的生态路由算法的性能，使用从交通模拟器（SUMO）收集的速度配置文件作为输入的高保真能源模型来计算能源消耗成本。我们的研究结果表明，该算法具有接近实时的执行时间，可显著节省PHEV的能源（约12%）。
2020-04-09 cs.SY eess.SY math.OC
Vehicle Powertrain Connected Route Optimization for Conventional, Hybrid and Plug-in Electric Vehicles
Sun Yat-sen University – Carnegie Mellon University Joint Institute of Engineering（中山大学-卡内基梅隆大学工程联合学院）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种基于车辆动力总成信息的路线优化策略，考虑车辆类型、电池状态和交通条件对行程成本的影响，通过优化得到更低成本的路径。
2016-12-05 cs.SY eess.SY
Adaptive Tube-based Nonlinear MPC for Ecological Autonomous Cruise Control of Plug-in Hybrid Electric Vehicles
本文提出了一种自适应管状非线性模型预测控制（AT-NMPC）方法，用于设计自主跟车控制系统。该方法利用两个独立模型来定义约束递推最优控制问题，通过固定名义模型和自适应模型分别处理约束和目标函数，以提高控制性能和鲁棒性。
2018-03-15 cs.SY eess.SY
Data-Driven Personalized Energy Consumption Range Estimation for Plug-in Hybrid Electric Vehicles in Urban Traffic
本研究提出一种基于保形分位数回归的数据驱动方法，利用驾驶员在环模拟器及蒙特卡洛合成数据，为城市交通中插电式混合动力汽车提供个性化的等效燃油消耗预测区间，以量化能耗不确定性并优化驾驶与路线。
2024-07-22 cs.SY eess.SY
ev-flow: A Reproducible, NHTS-Grounded Generator of Synthetic Plug-in Electric Vehicle Charging Behavior for Eight U.S. Regions
提出ev-flow开源Python包，基于2017年全国家庭旅行调查数据，通过九阶段流水线生成美国八个地区的合成插电式电动汽车充电行为，填补了美国本土化、NHTS驱动的充电行为生成工具空白。
2026-06-19 cs.SY eess.SY
Real-time Ecological Velocity Planning for Plug-in Hybrid Vehicles with Partial Communication to Traffic Lights
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种针对插电式混合动力车辆的生态自适应巡航控制器（ECO-ACC）设计，利用自动化驾驶和连接技术。大多数现有ECO-ACC研究集中在短视控制方案上，而长视ECO-ACC的两层控制框架仅在最近被引入。然而，该工作基于整个路线上的确定性交通信号相位和定时（SPaT）。在实践中，与交通灯的连接可能受到通信范围的限制，例如仅下一个交通灯。我们提出了一种利用确定性SPaT来处理即将来临的交通灯，同时利用历史SPaT来处理其他交通灯的递推控制框架。我们还结合了动力总成控制机制以提高PHEV能量预测精度。硬件在环仿真结果验证了递推控制框架在各种交通场景中的节能效果。
2019-09-29 cs.SY eess.SY
V2X-AHD:Vehicle-to-Everything Cooperation Perception via Asymmetric Heterogenous Distillation Network
Jiangsu University（江苏大学）；Jiangsu University of Technology（江苏理工学院）
针对车路协同感知中单视角轮廓缺失问题，提出V2X-AHD系统，通过非对称异构蒸馏网络和Spara Pillar主干及多头自注意力融合，在V2Xset上实现最先进的3D检测性能并减少参数。
2023-10-10 cs.AI cs.CV cs.RO
Plug-in Hybrid Electric Vehicle Energy Management with Clutch Engagement Control via Continuous-Discrete Reinforcement Learning
针对串并联PHEV同时控制发动机扭矩与离合器接合的混合决策问题，提出可同步输出连续-离散动作的CDRL能量管理策略，并通过SOC随机化训练，在高、低SOC下均取得接近DP全局最优的节能效果。
2024-03-02 cs.SY eess.SY
Least costly energy management for series hybrid electric vehicles
Politecnico di Milano（米兰理工大学）
本文提出了一种基于用户驾驶成本的电动车能源管理方法，通过实时近似最优策略和系统参数分析，展示其有效性。
2015-10-26 cs.SY eess.SY
On the Evaluation of Plug-in Electric Vehicle Data of a Campus Charging Network
Qatar Environment and Energy Research Institute（卡塔尔环境能源研究所）；College of Science and Engineering Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学部）；Department of Mechanical and Aerospace Engineering University of California at San Diego（加州大学圣地亚哥分校机械与航空航天工程系）
本文基于校园充电网络数据，分析了插电式电动车的充电需求及太阳能利用潜力，为可持续充电设施设计提供依据。
2016-02-09 cs.SY eess.SY math.OC
Achieving Reliable Coordination of Residential Plug-in Electric Vehicle Charging: A Pilot Study
运输部门的大规模电气化将需要仔细规划和与电网协调。电动汽车（EV）在渗透率提高的情况下不受管理，不协调的充电将放大现有的峰值负荷，可能超过电网可靠满足需求的能力。在本文中，我们报告了OptimizEV项目的研究结果-这是一项在纽约州北部进行的真实试点研究，旨在探索一种协调住宅电动汽车充电的新方法。拟议的协调机制旨在利用电动汽车充电的潜在灵活性，为电动汽车车主提供货币激励，以延迟电动汽车充电所需的时间。每次电动汽车车主启动充电会话时，他们都要通过从最后期限菜单中选择来指定他们打算让车辆插上多长时间，这些最后期限菜单提供更低的电价，他们愿意推迟充电所需的时间。给定主动充电请求的集合，智能充电系统实时动态优化每个EV的电力消耗，以最大限度地减少电网压力，同时确保每个客户的汽车在截止日期前充满电。在建议的激励机制下，我们发现客户经常愿意参与优化的充电会话，允许系统延迟完成他们的充电请求平均超过8小时。利用客户提供的灵活性，智能充电系统被证明在将大多数电动汽车充电负载转移到非高峰以填补总负载曲线的夜间低谷方面非常有效。客户选择率在研究期间保持稳定，提供了支持拟议协调机制的经验证据，作为潜在可行的“非有线替代方案”，以满足对电力驱动的电动汽车采用的需求增长。
2023-02-17 cs.SY eess.SY
Optimal Energy Management of Plug-in Hybrid Vehicles Through Exploration-to-Exploitation Ratio Control in Ensemble Reinforcement Learning
University of Birmingham（伯明翰大学）；Tsinghua University（清华大学）
开发具有高度适应性和优越性的智能能量管理系统对混合动力汽车具有重要意义。提出了一种基于学习自动机模块（LAM）的集成学习方法来提高汽车能效。两个并行的基础学习器的两个探索开发比（E2E）的方法来产生一个最优的解决方案，并最终的行动是共同确定的LAM使用三个集成方法。基于强化学习的传统指数衰减（EXD）函数，分别提出了“基于倒数函数的衰减”（RBD）和“基于步长的衰减”（SBD）算法来生成E2E比率轨迹。此外，考虑到三种衰减函数的不同性能，采用RBD，SBD和EXD的最佳组合来确定最终作用。在软件在环（SiL）和硬件在环（HiL）中进行了实验，以验证在四个预定义周期下的潜在节能性能。SiL测试表明，集成学习系统的最佳组合可以实现1.09 $\%$更高的车辆能源效率比一个单一的Q学习策略与EXD功能。在HiL测试中，具有最优组合的集成学习系统在预定义的真实驾驶条件下比基于EXD函数的单个Q学习方案节省超过1.04 $\%$。
2023-03-15 cs.RO cs.SY eess.SY
An Efficient Method for Quantifying the Aggregate Flexibility of Plug-in Electric Vehicle Populations
针对异构电动汽车群体灵活性集合的Minkowski和难以精确计算的问题，提出基于半空间多面体仿射变换的最大体积内近似线性规划方法，可多项式扩展并改进现有方法。
2024-01-18 cs.SY eess.SY math.OC
Explainable AI-Enhanced Supervisory Control for Robust Multi-Agent Robotic Systems
Visual Computing and Computational Media, Texas A&M University（视觉计算与计算媒体，德克萨斯A&M大学）；Mechanical Engineering Department, Texas A&M University（机械工程系，德克萨斯A&M大学）；Department of Marine Engineering Technology, Texas A&M University（海洋工程技术系，德克萨斯A&M大学）
本文提出可解释AI增强监督控制框架，融合时间自动机监督器、滑模控制与可解释预测器，并在航天器编队和AUV中验证其鲁棒性、可移植性与可解释性，显著降低跟踪误差和能耗。
2025-09-18 cs.AI cs.RO cs.SY
On-line Decentralized Charging of Plug-In Electric Vehicles in Power Systems
Carnegie Mellon University（卡内基梅隆大学）
提出一种分散式智能充电算法，通过最小化配电系统负荷方差实现“平坦”总负荷曲线，该算法基于当前系统状态在线控制，无需未来信息，并具有渐近最优性。
2011-11-18 cs.SY eess.SY math.OC
Competitive Charging Station Pricing for Plug-in Electric Vehicles
Huazhong University of Science and Technology（华中科技大学）；The Chinese University of Hong Kong（香港中文大学）
本文研究了充电站定价与插电式电动汽车（PEVs）选址问题，通过构建多领导者-多追随者Stackelberg博弈模型，分析充电站定价与车辆选址的均衡策略。
2015-11-28 cs.GT cs.SY eess.SY
Decentralized Hybrid Formation Control of Unmanned Aerial Vehicles
North Carolina Agricultural and Technical State University（北卡罗来纳农业与技术州立大学）；Arak University of Technology（阿拉克理工大学）；University of Notre Dame（圣母大学）
本文提出了一种分布式混合监督控制方法，用于完成领航员跟随形成任务的无人驾驶直升机团队。通过极坐标分区技术，将跟随直升机的运动动力学抽象为有限状态机，并设计模块化的离散监督器以实现形成保持、避障等任务。
2014-03-02 cs.SY eess.SY
A Fully Distributed Approach for Plug-in Electric Vehicle Charging
Carnegie Mellon University（卡内基梅隆大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出一种基于智能体的分布式方法，用于协调电动汽车充电，以最小化充电成本并满足电池和基础设施限制。
2016-05-02 cs.SY eess.SY math.OC
Fully Distributed Cooperative Charging for Plug-in Electric Vehicles in Constrained Power Networks
Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）
本文提出一种完全分布式算法，解决受约束电力网络中插电式电动车的协同充电问题，通过邻居节点的迭代交互实现计算分布，确保价格信号一致性和车辆约束可行性。
2018-06-28 cs.DC cs.SY eess.SY
Energy Management of Multi-mode Plug-in Hybrid Electric Vehicle using Multi-agent Deep Reinforcement Learning
School of Engineering, University of Birmingham（伯明翰大学工程学院）；Zhejiang University（浙江大学）
针对多模式PHEV能量管理的MIMO控制需求，提出基于MADRL的握手协同策略，经参数优化后相比单智能体和传统规则方法分别最多节能4%和23.54%。
2023-08-28 cs.LG cs.RO cs.SY
Merging Large Language Models and Battery Physics for User-Aware Electric Vehicle Driving Management
The Pennsylvania State University（宾夕法尼亚州立大学）；Stellantis US LLC（斯特兰蒂斯美国有限责任公司）
本文提出融合大语言模型与电池物理的混合框架，通过LLM解析用户意图生成有界行为参数，并经物理安全过滤器约束，实现安全且用户感知的电动汽车驾驶管理。
2026-09-24 cs.SY eess.SY
Improving power grid transient stability by plug-in electric vehicles
Faculty of Electrical Engineering and Information Technologies, “Ss Cyril and Methodius” University（“圣西里尔和梅托迪乌斯”大学电气与信息工程学院）；Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）；Department of Physics, Humboldt University of Berlin（柏林洪堡大学物理系）；Institute for Complex Systems and Mathematical Biology, University of Aberdeen（阿伯丁大学复杂系统与数学生物学研究所）；Faculty of Computer Science and Engineering, “Ss Cyril and Methodius” University（“圣西里尔和梅托迪乌斯”大学计算机科学与工程学系）；BioCircuits Institute, UC San Diego（加州大学圣地亚哥分校生物电路研究所）
本文提出利用插电式电动车作为分布式能源资源，在车辆到电网模式下提升电网暂态稳定性，通过调节电动车功率输出，显著降低电压波动并延长关键清除时间。
2014-10-07 cs.SY eess.SY math.OC
Vehicle Electrification Solutions: review and open challenges
电动汽车通常是指任何部分或全部由电池供电的车辆，电池可以直接插入电源。因此，新的车辆提供了各种好处，包括便利性，效率，可持续性和经济性。本研究涉及车辆电气化解决方案的全面审查。事实上，主要的电动汽车技术。此外，根据文献中的几项研究工作，说明了主要的电气化解决方案，包括电气化程度，电池系统管理，车载充电器和电源转换器。此外，这些解决方案，以及开放的挑战，进行了讨论和评估。
2022-08-19 cs.SY eess.SY
Optimal Planning of Single-Port and Multi-Port Charging Stations for Electric Vehicles in Medium Voltage Distribution Networks
本文描述了一种基于混合整数线性规划的方法，以成本最优的电动汽车（EV）在配电网中的驱动需求的函数的充电器的位置和大小。这个问题解释了单端口充电器（SPC）和多端口充电器（MPC）的概念，其中一个充电器可以最大限度地连接一个EV，而同一个充电器可以连接多个EV。MPC的优势是双重的。首先，多个端口允许在多辆车之间进行套利充电，而不需要驾驶员插拔电动汽车。其次，充电器的电力电子器件的大小不适合充电端口的总数，从而在电网约束成为问题的瓶颈时能够节省成本。所提出的方法可以考虑不同的充电器类型，例如慢速和快速充电器，并对驾驶员插拔电动汽车的灵活性进行建模。综合案例研究的模拟结果表明，实施MPC是有益的SPC和司机的灵活性方面所需的充电基础设施的总投资。
2021-11-13 cs.SY eess.SY
Optimal Vehicle Dynamics and Powertrain Control for Connected and Automated Vehicles
University of Delaware（特拉华大学）
本文提出了一种两级控制架构，用于优化连接和自动化混合动力电动汽车的速度剖面和动力总成效率，通过车辆网络模拟评估了该架构。
2019-05-24 cs.SY eess.SY math.OC
Robo-Chargers: Optimal Operation and Planning of a Robotic Charging System to Alleviate Overstay
针对公共充电桩超时占用问题，提出配备机器人充电桩的充电站优化运行与规划模型，通过技术经济分析验证其在高超时占用场景下的优势及实时应用鲁棒性。
2023-06-18 cs.SY eess.SY
Assessment of Quantitative Cyber-Physical Reliability of SCADA Systems in Autonomous Vehicle to Grid (V2G) Capable Smart Grids
本文针对具备V2G功能的智能电网中SCADA系统的安全漏洞问题，提出结合贝叶斯攻击图与概率容量停运建模的定量可靠性评估方法，通过蒙特卡洛模拟揭示AV2G攻击对系统性能的影响，为智能电网网络安全强化提供依据。
2025-07-24 cs.CR 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
Value of Optimal Trip and Charging Scheduling of Commercial Electric Vehicle Fleets with Vehicle-to-Grid in Future Low Inertia Systems
交通电气化被视为全球脱碳议程的重要一步。由于电动汽车（EV）对电力系统的预期负载如此之大，因此协调充电以平衡电力的供应和需求是重要的。通过车辆到电网（V2G）技术实现的双向充电将从插入的固定电动汽车中释放出大量的存储容量。为了进一步推动这一概念，本文量化了商业电动汽车车队运营商从提前一天同时安排其行程以及充电中获得的潜在收入。这使得车队能够完成其行程（用户定义的行程长度和距离），同时利用波动的能源和辅助服务价格。提出了一个数学框架，制定为一个混合整数线性规划，并适用于几个相关的情况下，现在和未来的英国电力系统的最优行程调度。结果表明，最佳的旅程开始时间可以增加商业船队的收入高达38%，在夏季和冬季12%。这意味着维修车队的一辆电动汽车每年可以增加高达729英镑的额外收入。灵活的出行时间表在夏季更有价值，因为在太阳能输出高峰期间保持电动汽车的插入将使电网和车队运营商受益最大。还发现，5，000辆电动汽车的车队将导致相当于从系统中删除一台联合循环燃气轮机的$\textrm{CO}_2$。这种收入和碳节约的显着增加表明这种方法值得研究潜在的未来应用。
2022-04-25 cs.SY eess.SY
Fuzzy Logic based Autonomous Parking Systems -- Part II: A Hybrid Dual Controller System
提出了一种基于混合模糊控制器的智能自主泊车系统。该系统使智能车辆能够在完全无人驾驶的环境中进行插槽检测，平行和垂直停车。HFC由基本模糊控制器（BFC）和监督模糊控制器（SFC）组成，通过实施额外的模糊规则库来优化控制逻辑以抵消停车过程中的外部干扰。定制的氢氟碳化合物专为停车中的关键步骤而设计，即转向控制和姿态稳定。因此，即使在车辆长度和摩擦存在不确定性的情况下，也可以实现更准确和有效的停车。在MATLAB中进行了仿真实验，以验证新的HFC的鲁棒性，并证明与以前的基于模糊的车载系统（FBOS）相比，性能的改善。
2019-11-07 cs.SY eess.SY
On Statistical Modeling of Load in Systems with High Capacity Distributed Energy Resources
分布式能源的出现给电网的运行和规划带来了新的挑战。特别重要的是引入了一个新的复杂层，其表现为新的不确定性的形式，这可能严重限制现代电力系统的弹性和可靠性。例如，越来越多地采用非常规负载，如插电式电动汽车，可能导致不确定的消费者需求模式，其特征通常是随机的不期望的能源消耗峰值。二零二一年上半年，电动汽车销量增长近160%，约占全球汽车市场新增销量的26%。本文研究了广义混合模型的适用性，在系统中的聚合负载的统计表示增强与高容量的分布式能源，如插入式电动汽车。
2022-07-22 cs.SY eess.SY
Exploring Cybersecurity Issues in 5G Enabled Electric Vehicle Charging Station with Deep Learning
电动汽车（EV）的使用量激增，需要可靠的电动汽车充电站（EVCS）的强大部署，该充电站具有毫秒级的范围延迟和5G可以发挥作用的大规模机器对机器通信。然而，5G存在固有的协议、硬件和软件漏洞，严重威胁通信实体的网络物理安全。针对EVCS系统的这些局限性，分析了虚假数据注入（FDI）和分布式拒绝服务（DDoS）攻击对EVCS系统运行的影响。这项工作是我们以前发表的关于EVCS的会议论文的扩展。作为新功能，本文模拟了对5G远程监控和数据采集（SCADA）系统的FDI攻击和同步洪水DDoS攻击，该系统控制EVCS的太阳能光伏（PV）控制器，电池储能（BES）控制器和EV控制器。这些攻击使EVCS系统振荡或移动直流操作点。振荡的频率，它的阻尼，和系统的弹性被发现有关的攻击的强度和目标控制器。最后，我们提出了一种新的基于堆叠式长短期记忆（LSTM）的入侵检测系统（IDS），该系统仅基于电指纹。该模型可以检测到绕过网络层并在监控系统中未被注意到的隐形网络攻击，检测准确率接近100%。
2021-04-17 cs.SY eess.SY
Formal Controller Synthesis for Frequency Regulation Utilising Electric Vehicles
在本文中，我们提出了一个正式的控制器综合方法整合人口的插件在电动汽车的频率调节的电力系统。这种方法是形式化方法在智能电网中的首次应用，特别是在电力系统的频率调节中。我们为英国电力系统设计并仿真了一种新的符号控制器。所提出的控制器增强了系统的频率响应行为时，遇到一个大的停电事件。符号控制器保证在规定的安全间隔内解决事后频率，并保证满足其他频率要求。
2020-05-08 cs.SY eess.SY
Safety Verification and Control for Collision Avoidance at Road Intersections
Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种监督算法的设计，该算法可以监控道路交叉口的安全性，并在必要时使用安全输入覆盖驾驶员。监控器的设计包括安全验证和控制设计两部分。安全验证是确定车辆是否能够在不与当前驾驶员的输入发生碰撞的情况下穿过交叉口的问题。我们将这个安全验证问题转化为车间调度问题，最小化最大延迟，并评估最优成本是否为零。零最优成本对应于所有车辆可以无碰撞地穿过每个冲突区域的情况。由于车辆的非线性二阶动力学，计算最优成本需要求解混合规划非线性规划（MINLP）问题。因此，我们估计这一最佳成本制定两个相关的混合线性规划（MILP）的问题，假设简单的车辆动力学。我们证明了这两个MILP问题产生的最优成本的下限和上界。我们还量化了这些MILP问题的最坏情况下的近似误差。我们设计的监督程序，如果计算的上界的MILP问题产生一个积极的最优成本覆盖车辆与安全的控制输入。我们从理论上证明，主管保持交叉口的安全，是非阻塞。计算机模拟进一步验证了算法可以实时运行的现实规模的问题。
2016-12-08 cs.AI cs.SY eess.SY
Decentralized Assignment of Electric Vehicles at Charging Stations Based on Personalized Cost Functions and Distributed Ledger Technologies
在本文中，我们提出了一个随机分散算法推荐最方便的充电站（CS）的插电式电动汽车（PEVs），需要充电。特别地，我们使用不同的代价函数来描述PEV驱动器的可能不同的优先级，例如最小化充电成本、充电时间或它们与CS之间的距离的偏好。为此，我们利用基于许可的分布式账本技术（DLT）的物联网架构来强制驾驶员合规，并减少驾驶员有害不当行为的发生。在现实的城市范围内的网络与移动性模拟器SUMO进行了广泛的模拟已经提供了说明如何建议PEV分配程序在实践中工作，并验证其性能。
2021-01-07 cs.SY eess.SY
Weakly Supervised Reinforcement Learning for Autonomous Highway Driving via Virtual Safety Cages
University of Surrey（萨里大学）
神经网络和强化学习的使用在自主车辆控制中变得越来越流行。然而，由此产生的控制策略的不透明性对在自主车辆中部署基于神经网络的控制提出了重大障碍。在本文中，我们提出了一种基于强化学习的方法，自主车辆纵向控制，其中基于规则的安全笼提供增强的安全性的车辆以及弱监督的强化学习代理。通过将代理引导到有意义的状态和动作，这种弱监督改善了训练过程中的收敛性，并增强了最终训练策略的安全性。这种基于规则的监督控制器具有完全可解释的进一步优势，从而使传统的验证和验证方法能够确保车辆的安全性。我们比较了有和没有安全笼的模型，以及具有最佳和约束模型参数的模型，并表明弱监督始终提高了探索的安全性，收敛速度和模型性能。此外，我们表明，当模型参数受到约束或次优时，安全笼可以使模型学习安全驾驶策略，即使模型无法单独通过强化学习进行训练。
2021-03-17 cs.LG cs.SY eess.SY
Compact Cooperative Adaptive Cruise Control for Energy Saving: Air Drag Modelling and Simulation
本文研究的价值，沟通的运动预测的纵向控制连接自动驾驶汽车（CAV）。我们专注于一个安全的合作自适应巡航控制（CACC）的设计和分析的价值，车对车（V2V）的通信存在不确定的前车加速度。对CACC的兴趣是由能源消耗和道路吞吐量的潜在改善所激发的。为了量化这种潜力，我们的特点实验车间间隙，车速和（减少）的能源消耗的紧凑型插电式混合动力汽车之间的关系。由此产生的模型被用来显示我们的控制设计的功效，该设计追求连续CAV之间的小车辆间间隙，从而提高能源效率。我们提出的控制设计是基于一个强大的模型预测控制框架，系统地考虑系统的不确定性。我们提出了一组全面的模拟，旨在量化能源效率的提高时，通过V2V通信交换的车辆状态和预测在控制律中使用。
2021-08-18 cs.SY eess.SY
Plug-and-Play Model Predictive Control for Load Shaping and Voltage Control in Smart Grids
University of California, Berkeley（加州大学伯克利分校）；ETH Zurich（苏黎世联邦理工学院）
本文提出了一种用于处理智能电网中即插即用充电请求的预测控制器，通过分层控制方案优化系统成本，实现负载整形与电压控制。
2016-06-21 cs.SY eess.SY
Day-ahead Schedule Considering the Participation of Electric Vehicles in Primary Frequency Response
可再生能源在电力系统中的接入会引起系统等效惯量的减小，从而导致电力系统的不稳定。另一方面，储能系统已被证明是提高能源系统运行灵活性的有效工具，这可能有利于整合可再生能源。以这种方式，当这种车辆停放并连接到电网时，插入式电动车辆（PEV）电池可以用作存储器。在这项工作中，PEVs的主要频率响应的贡献进行了分析，在系统中占主导地位的可再生能源。考虑到PEVs集团可以积极参与电力市场，支持日前备用容量，并提供一次频率响应，开发了日前调度模型。该模型在阿马帕联邦大学的配电系统中实现。
2022-07-19 cs.SY eess.SY
