想象一个城市，那里的汽车并不属于个人，而是作为一个巨大的共享车队的一部分，就像一个永不眠的庞大校车系统。这些是用于网约车的电动汽车（EV），负责接送陌生人并将其送到目的地。但问题在于，这些车需要通过电力来“进食”才能运行，如果你在错误的时间喂给它们错误的“食物”，它们会变得很不高兴。如果你在电价昂贵时充电，车队就会亏钱。如果你充电过于激进，它们的电池会感到疲劳并损坏得更快，从而缩短使用寿命。这是一个复杂的平衡行为：你必须猜测什么时候会有客户叫车（这难以预测，就像试图预测朋友何时会给你回短信一样），同时还要时刻关注像过山车一样波动的电价。目标是在不损耗电池的前提下，让汽车开心、让客户开心，并让钱包也开心。
这篇论文正是在应对这一精准的平衡难题，并提出了一种用于管理这些电动车队的“智能大脑”。作者 Mainak Dan 和 Arvind Easwaran 提出了一种名为 iCMS（集成充电管理与服务分配）的系统。你可以把它想象成一位超级组织有序的运动队教练。目前的现有方法通常只是告诉每位球员尽可能快地奔跑，而这位教练则是从全局出发观察整个比赛。他知道凌晨 3 点电价很低，但下午 6 点很高；他知道电池讨厌充电过快或过慢；他也知道客户可能随时会提出用车请求。论文建议使用一种“层级化”的方法，这就像拥有一名总教练和几名助理教练。总教练（上层阶段）负责做出重大决策：“哪些车应该在何时离开车站？”随后，助理教练们（下层阶段）则处理每辆车的细节：“好了，42 号车，既然你两小时后要出发，那么这是最完美的、稳扎稳打的充电计划，既能省钱又能保护你的电池。”
研究人员通过模拟 300 辆电动汽车在 24 小时内的运行情况来测试这个想法，并使用了新加坡真实的电价数据和历史叫车需求数据。他们将这个全新的“智能教练”系统与另外两种方法进行了对比：一种是“照常营业”法（即直接插上电源并尽可能快地充电），另一种是“基于松弛度”法（即仅根据车辆在被需要前的剩余时间进行充电）。模拟结果显示，这个新系统在各项指标中都表现优异。它显著降低了电力成本——将车队的账单从近 194 美元降至约 138 美元——同时也保护了电池免受磨损，与旧方法相比，将电池损耗成本降低了一半以上。
然而，论文也警告说，过于聪明可能会导致计算量过大。如果你试图用一个巨大的单一大脑（集中式方法）同时解决 300 辆车的问题，计算机需要很长时间来思考，尤其是当你想要检查每一种可能的场景时。这就是为什么作者的“层级化”方法如此重要的原因；通过拆分工作，他们发现了一种方法，可以在获得几乎同样出色结果的同时，速度大幅提升，从而使该系统能够在实时环境下运行。他们还发现该系统具有灵活性：通过调整几个参数，车队管理者可以选择优先考虑节省资金、保护电池或确保没有客户会被落下，具体取决于公司当前最需要什么。简而言之，这篇论文表明，通过数学与策略的正确结合，我们可以让我们的共享电动未来变得更便宜、更持久，并且让所有相关人员都感到更轻松。
技术摘要：一种用于集成需求感知充电调度与服务分配的分层随机模型预测控制框架
问题陈述
本文解决了在灵活的 A-to-B 租赁模式下运行的移动出行电动汽车（MoD-EV）车队所面临的运营挑战。在这种背景下，车辆从一个充电站（CS）租用并返回到另一个充电站，且行程预订缺乏关于距离或路线的精确信息。车队运营商面临着一个复杂的优化问题，涉及：
- 随机需求： 客户租赁请求具有不确定性和间歇性。
- 动态定价： 电价随时间变化。
- 非线性电池动力学： 精确建模需要捕捉非线性行为，如温度效应、开路电压（OCV）变化和容量衰减，而现有文献往往对这些进行过度简化。
- 可扩展性： 对于大型车队，由于混合整数约束和预测时界的组合性质，集中式优化方法面临计算不可行的问题。
核心目标是在确保服务可靠性（满足租赁请求）的同时，在不损害电池健康的前提下，最小化总运营成本（电力、切换和电池退化成本）并应对不确定性。
方法论
作者提出了一种基于随机、多目标模型预测控制（MPC）框架的集成充电管理与服务分配机制（iCMS）。
电池建模：
- 研究利用增强型等效电路模型（ECM）来表示电池动力学，捕捉内部温度、荷电状态（SOC）和端电压。
- 为了在线性规划框架内处理非线性，作者采用了电池动力学和容量衰减模型的分段线性近似。将 SOC 范围划分为互斥的分段，从而允许使用混合整数线性规划（MILP）。
- 集成了一个循环容量衰减模型，通过平均 SOC、SOC 偏差和充电量来量化退化，超越了简单的聚合成本模型。
随机优化（机会约束 MPC）：
- 该框架结合了机会约束来处理不确定的乘车请求。该模型并非假设特定的参数分布，而是利用历史数据场景来概率性地执行服务水平约束（例如，确保满足需求具有特定的置信水平 αCON）。
- 目标函数最小化电力成本、电池退化成本和充电模式切换成本的加权和。
分层分布式求解：
- 为了解决集中式 MILP 形式的计算复杂性，作者开发了一种两阶段分层算法：
- 上层阶段（乘车分配）： 一个降阶模型优化整个车队的高层服务分配和车辆出发时间（tdep），并满足机会约束。
- 下层阶段（充电调度）： 为单个空闲电动汽车求解去中心化的优化问题。每辆车根据上层阶段提供的出发时间、局部电池动力学和电价，确定其详细的充电序列（电流、模式切换）。
主要贡献
本文声称其具体贡献如下：
- 集成机制： 开发了一个统一的框架，能够同时处理随机请求下的服务分配和非线性电池动力学。
- 先进电池建模： 适配了一种参数化电池模型，能够捕捉非线性动力学行为和详细的循环容量衰减模型，而非依赖于简化的荷电状态（SOC）线性模型。
- 计算效率： 通过对非线性动力学进行分段线性松弛，构建了一个 MILP 问题，以提高决策效率。
- 离散模式切换： 利用转换自动机，对离散充电操作（包括 V2G 放电、多种充电模式和 OFF 状态）进行建模。
- 可扩展架构： 开发了一种分层分布式算法，通过分解集中式问题来降低计算复杂度，从而实现大规模车队的实时应用。
结果与评估
该框架使用包含 300 辆电动汽车、24 小时时界、新加坡批发电价和历史需求数据集进行了评估。将所提出的方法（集中式 iCMS 和分布式 iCMS）与常规业务（BAU）启发式方法和基于松弛度的充电（LC）方法进行了对比。
- 成本效率： 所提出的 iCMS 方法显著优于 BAU 和 LC。分布式 iCMS（D-iCMS）实现了最低的电池退化成本（5.2 美元 vs. BAU 的 21.04 美元）和接近最优的电力成本（138.38 美元 vs. BAU 的 193.95 美元）。
- 负荷曲线： 虽然集中式方法（C-iCMS）实现了最低的电力成本，但由于激进地利用低价时段，导致其峰谷比（PAR）较高，达到 3.89。D-iCMS 提供了一个平衡的解决方案，其 PAR 为 2.33，处于中等水平。
- 随机性能： 对不同置信水平的分析表明，较高的置信水平会产生更稳健的解，预测成本与实际成本之间的偏差更小，尽管这会以更高的资源利用率为代价。
- 计算可扩展性： 运行时间分析表明，随着预测时界和采样间隔的增加，集中式方法面临指数级的计算时间增长。相比之下，分布式 D-iCMS 通过分解问题保持了较低的运行时间（例如，30 分钟间隔内仅为 1.3 秒），使其适用于实时应用。
- 超参数敏感性： 研究分析了切换成本和惩罚因子的影响，表明通过调整这些参数，运营商可以优先考虑电网平滑度（较低的退化）或运营可行性（较低的惩罚）。
意义
本文将这项工作定位为实用的决策支持工具。它声称所提出的框架通过以下方式弥合了理论电池建模与运营现实之间的差距：
- 实现响应电网的调度，在减轻峰值负荷影响的同时利用价格激励。
- 提供一种平衡竞争目标（电力成本、服务可靠性和电池寿命）的机制，通过可调的成本函数权重来实现。
- 通过去中心化计算提供可扩展性，使车队运营能够增长而不受限于集中式求解器的计算瓶颈。
作者得出结论，虽然 10% 的 SOC 离散化在平衡运行时间和准确性方面提供了一个稳健的起点，但该框架同时处理非线性动力学和随机需求的能力，代表了相对于现有简化调度策略的重大进步。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。