Real-time Operation of Electric Autonomous Mobility-on-Demand System Considering Power System Regulation

📄 arXiv: 2510.00984v1 📥 PDF

作者: Lyuzhu Pan, Hongcai Zhang

分类: eess.SY

发布日期: 2025-10-01

💡 一句话要点

针对电动自动按需出行系统，提出实时协同框架优化电力系统调节

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 电动汽车 按需出行 电力系统调节 实时协调 近似动态规划

📋 核心要点

  1. EAMoD系统大规模充电可能对电力系统造成冲击，现有方法缺乏对电力系统调节的考虑。
  2. 提出EAMoD与电力系统实时协调框架，利用分段线性近似动态规划和模型预测控制进行优化。
  3. 在曼哈顿和14节点配电网络中验证，结果表明该算法有效且系统协调至关重要。

📝 摘要（中文）

电动自动按需出行(EAMoD)系统正在全球范围内兴起。然而，其潜在的在充电站集群充电行为可能会恶化电力系统的运行，进而反过来影响EAMoD系统的优化运行。为了防止这种潜在风险，我们开发了一个EAMoD系统和电力系统的实时协调框架。首先，基于马尔可夫决策过程模型充分描述了EAMoD车队的时空特性，包括服务行程、重新定位和充电。其次，EAMoD充电站充电器的可访问性被很好地建模为真实世界的配置，其中同时包括快充和慢充充电桩。第三，电力系统调节模型为EAMoD系统提供实时充电调节约束，以防止潜在的过载和欠压。为了解决EAMoD系统复杂决策空间导致的较差解质量问题，本文提出了一种基于分段线性的近似动态规划算法，并结合模型预测控制。在曼哈顿和14节点配电网络中的数值实验验证了所提出算法的有效性，并强调了系统协调的必要性。

🔬 方法详解

问题定义：论文旨在解决电动自动按需出行(EAMoD)系统大规模充电对电力系统稳定运行造成的潜在威胁。现有方法通常只关注EAMoD系统自身的优化，忽略了其与电力系统的相互影响，可能导致电力系统过载或欠压等问题。

核心思路：论文的核心思路是建立一个EAMoD系统和电力系统的实时协调框架，通过实时充电调节约束来防止电力系统出现潜在问题。该框架将EAMoD系统的运行状态（包括服务行程、车辆调度和充电）与电力系统的运行状态相结合，从而实现全局优化。

技术框架：该框架包含以下主要模块：1) EAMoD系统建模，基于马尔可夫决策过程描述车队的时空特性；2) 充电站建模，考虑快充和慢充充电桩的配置；3) 电力系统调节模型，提供实时充电调节约束；4) 优化算法，采用分段线性近似动态规划结合模型预测控制求解。

关键创新：论文的关键创新在于提出了EAMoD系统与电力系统的实时协调框架，并设计了相应的优化算法。与现有方法相比，该框架能够更好地应对EAMoD系统大规模充电对电力系统带来的挑战，从而保证系统的稳定运行。

关键设计：论文采用分段线性近似动态规划来解决EAMoD系统复杂决策空间带来的求解难题。此外，论文还结合了模型预测控制，从而实现对EAMoD系统和电力系统的实时优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

数值实验在曼哈顿和14节点配电网络中进行，验证了所提出算法的有效性。实验结果表明，通过系统协调，可以有效防止电力系统过载和欠压，并提高EAMoD系统的运行效率。该研究强调了EAMoD系统与电力系统协调的必要性。

🎯 应用场景

该研究成果可应用于城市交通规划和电力系统调度。通过实时协调EAMoD系统和电力系统，可以提高交通效率，降低能源消耗，并保障电力系统的稳定运行。未来，该研究可以扩展到其他类型的电动汽车和智能电网应用中，具有广阔的应用前景。

📄 摘要（原文）

Electric autonomous mobility-on-demand (EAMoD) systems are emerging all over the world. However, their potential swarm charging in depots may deteriorate operation of the power system, further in turn affecting EAMoD system's optimal operation. To prevent this latent risk, we develop a real-time coordination framework for the EAMoD system and the power system. First, the temporal-spatial characteristics of EAMoD fleets are fully described based on a Markov decision process model, including serving trips, repositioning, and charging. Second, charger accessibility of EAMoD depot charging is well modeled as real-world configuration, wherein fast and slow charge piles are both included. Third, the power system regulation model provides real-time charging regulation constraints for EAMoD systems to prevent potential overload and undervoltage. To address the poor solution quality attributed to the complex decision space of the EAMoD system, this paper proposes a piecewise linear-based approximate dynamic programming algorithm combined with model predictive control. Numerical experiments in the Manhattan and a 14-node power distribution network validate the effectiveness of the proposed algorithm and underscore the necessity of system coordination.