我本次组会的汇报题目是《基于深度强化学习的微电网电动汽车充放电调度》，我将从科研背景，科研问题，科研目的，研究内容等方面进行介绍。

科研背景-V2G技术

车辆对电网(V2G)技术通过与电网进行交互，鼓励EV作为灵活的储能设备来调整充放电行为。当电网负荷压力较高时，将电力放回电网，从而实现电力供需平衡和峰谷调节等功能。这种双向交流提高了微电网系统的能源利用率和可靠性。因此，微电网与电动汽车充电站是一种相互协同的关系。

科研背景-Stackelberg博弈

然而在实际问题中，这种关系通常存在以下情况

• 用户不仅仅是价格接受者，他们会对电力市场的价格做出反应。如果仅考虑服务供应商的感受来设定实时电价，在经济层面上是不公平的；
• 微电网运营商实质上掌握了系统内的更多信息，且能够做出更加大范围的决策，电动汽车充电站作为系统内的一部分，只能根据其动作，做出相应的回应；
• Stackelberg博弈作为一种动态非合作博弈，可以有效描述此类问题。

科研目的

提出了一种基于深度强化学习（DRL）的微电网与V2G充电站之间的博弈模型，使微电网实现供需平衡和最大利润，同时降低充电站的运营成本。

研究内容

具体的研究内容将会在组会中进行详细介绍。

我本次组会的汇报题目是《基于V2G技术的微电网电动汽车充放电调度策略研究》，我将从科研背景，科研问题，科研目的，研究内容等方面进行介绍。

科研背景

• 近年来，电动汽车(EV)的大规模部署，已经被认为是减少碳排放的有效途径。另一方面，根据国际能源机构2022年的分析，在大型经济体中，仅电动汽车就约占本国总电力消耗的5%，如此规模的电动汽车进行不受控制的充电可能会引发电力系统负担过重的风险。
• 相较于传统的不受控充电和“单向有序的充电服务”(V1G)，车辆对电网(V2G)技术通过与电网进行交互，鼓励EV作为灵活的储能设备来调整充放电行为。当电网负荷压力较高时，将电力放回电网，这一过程不但可以缓解功率峰值负荷，而且为用户带来一定的经济效益。因此，V2G技术是目前解决新型电力系统能源供应安全风险的有效方案之一。

科研问题

• 由于可再生能源具有间歇性和波动性，会影响微电网系统保持高效稳定的运行，而电动汽车集群作为一种灵活部署且能源清洁的储能设备，引入V2G技术为微电网充分利用分布式可再生能源提供了一种有效的途径。
• 随着微电网中设备部件的增加，越来越多的数据需要处理和计算。同时分时电价和充电用户的随机行为也为充放电策略的制定带来了不确定性。

科研目的

提出一种基于DRL的电动汽车充放电调度策略，在一个配备V2G停车场，用电负载和多个分布式能源的混合微电网系统中，降低运行成本，提高用户满意度。

问题建模

针对该问题，具体的系统框架和数学建模将在组会中进行详细介绍。

我本次组会的汇报题目是《动态用户行为下基于深度强化学习的电动车辆充电控制》，我将从科研背景，科研问题，科研目的，研究内容等方面进行介绍。

科研背景

随着新能源汽车普及率的增加，提供充电服务的基础设施也得到了广泛建设。然而与传统负载不同，电动汽车用户的动态行为、充电偏好，实时电价都给充电策略的制定带来了不确定性，无序的充电服务必然会导致充电设施和输电线路过载。
· 电动汽车充电管理：旨在通过调度充放电决策，合理转移电动汽车的充电负荷，使消费者的利益最大化，同时满足电池的能量需求。

科研问题

• 在实际的充电场景中，驾驶者的动态行为和实时电价无法预知，且问题通常处于高维环境。基于深度强化学习(DRL)的电动汽车充电控制方法表现出了良好的性能。
• 目前相关的研究工作大多以到达时间，离开时间和所需的电池电量作为充电过程的描述特征，考虑驾驶者动态行为(出行里程，驾驶经验)的工作较少。

科研目的

提出一种基于深度强化学习(DRL)的调度方法，在EV连续随机到达和实时电价的基础上，进一步考虑用户的驾驶经验、距离焦虑、时间焦虑，实现充电成本和用户充电偏好的平衡。

问题建模

针对该问题，具体的系统框架和数学建模将在组会中进行详细介绍。

本次组会我将汇报研究题目：基于深度强化学习的电动汽车充电作业调度优化 的工作进展，主要从以下几个方面展开

1.科研背景：

随着“碳中和”目标的提出，新能源汽车得到迅速发展。然而与传统作业调度不同，充电作业在实际场景中具有动态性和复杂性。同时，分时电价也给充电策略的制定带来了不确定性。因此电动汽车数量持续增长的主要挑战之一，就是如何在动态环境下为充电站设计一个可靠的充电控制策略。

2.科研问题:

在实际的充电环境中，无法预知随机的用户行为（如汽车到达离开、充电量、是否支持快充)，也无法准确的预知每个充电桩将来的状态（如充电桩未来t时段的工作状态，后续车辆排队)。因此目前充电站大多还是采用传统的调度方法，即单一实行先到先充电，有空位就充电的策略，没有充分满足用户的实际需求，同时充电类型不匹配的问题会导致电能损耗较大。

3.科研目的：

提出一种基于强化深度学习(DRL)的作业调度方法，在尽可能满足充电用户QoS要求的同时，根据充电作业类型和分时电价，降低充电开销成本。

4.问题建模

针对该科研问题，设计的DRL状态空间、动作空间，奖励函数等，将在组会中进行详细介绍。

5.实验设置及结果

具体实验设置，及实验结果图示将在组会中进行展示。