A MEC-Based Optimization Framework for Dynamic Inductive Charging

📄 arXiv: 2604.28069v1 📥 PDF

作者: Emre Akıskalıoğlu, Mustafa Atmaca, Lorenzo Ghiro, Giovanni Perin, Renato Lo Cigno

分类: eess.SY, cs.NI

发布日期: 2026-04-30

备注: Accepted for publication at IEEE Vehicular Networking Conference (VNC) 2026, Montreal, Canada, June 2026

💡 一句话要点

提出基于MEC的动态无线充电优化框架，解决电动汽车充电资源分配问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 动态无线充电 模型预测控制 边缘计算 电动汽车 资源分配

📋 核心要点

  1. 电动汽车无线充电面临基础设施昂贵和功率受限的挑战，需要优化资源分配。
  2. 提出基于模型预测控制的动态无线充电框架，利用边缘计算和车辆通信进行功率分配。
  3. 仿真结果表明该框架能有效提高资源利用率和用户满意度公平性，并开源工具。

📝 摘要（中文）

电动汽车的续航焦虑和充电时间过长仍然是其普及的关键障碍。动态无线充电(DIC)提供了一种有吸引力的解决方案，它可以在行驶过程中进行无线电力传输，从而减少电池尺寸需求并降低车辆成本。然而，DIC基础设施成本高昂且功率受限，需要智能资源分配以最大化用户满意度和经济可行性。我们提出了一个基于模型预测控制(MPC)的框架，用于DIC系统中的最优功率分配，利用边缘计算和车辆通信来优先考虑具有关键电池状态的车辆。该框架通过基于SUMO的仿真在土耳其伊斯坦布尔一个真实的10公里城市场景中，在不同的交通强度下进行了实施和评估。结果表明了无协调分配的两个关键限制。首先，当需求饱和系统容量时，尽管可用功率，资源利用率仍然欠佳。其次，当需求超过容量时，均匀分配功率会留下大量需要紧急停车的严重不满意的车辆。我们的基于MPC的策略解决了这两种情况——通过动态条带重新平衡来最大化饱和期间的功率利用率，并通过牺牲良好充电车辆的利益来积极优先考虑耗尽的电池，从而提高稀缺情况下的满意度公平性。该框架和仿真工具已作为开源发布，以支持该新兴领域的进一步研究。

🔬 方法详解

问题定义：论文旨在解决动态无线充电(DIC)系统中，如何在有限的功率资源下，为行驶中的电动汽车进行最优的功率分配问题。现有方法，如均匀分配，在需求饱和或超过容量时，会导致资源利用率低下，以及部分车辆电量严重不足，面临紧急停车的风险。

核心思路：论文的核心思路是利用模型预测控制(MPC)框架，结合边缘计算(MEC)和车辆通信，对DIC系统中的功率分配进行动态优化。通过预测未来一段时间内的车辆需求，并根据车辆的电池状态进行优先级排序，从而实现更高效和公平的资源分配。

技术框架：该框架主要包含以下几个模块：1) 车辆状态预测模块：利用车辆通信获取车辆的位置、速度、电池状态等信息，并预测未来一段时间内的车辆需求。2) 功率分配优化模块：基于MPC算法，根据车辆需求和优先级，计算最优的功率分配方案。3) 边缘计算模块：在边缘服务器上运行MPC算法，实现快速响应和实时优化。4) 动态无线充电基础设施：根据功率分配方案，调整充电条带的功率输出。

关键创新：论文的关键创新在于提出了基于MPC的动态功率分配策略，能够根据车辆的电池状态和未来需求，动态调整充电条带的功率输出。与传统的均匀分配策略相比，该策略能够显著提高资源利用率和用户满意度公平性。此外，利用边缘计算实现快速响应和实时优化也是一个重要的创新点。

关键设计：MPC算法的关键设计包括：1) 目标函数：目标函数旨在最大化系统整体的充电效率和用户满意度，同时考虑公平性因素。2) 约束条件：约束条件包括充电功率的上下限、车辆电池容量的限制等。3) 预测模型：预测模型用于预测未来一段时间内的车辆需求，包括车辆的位置、速度、电池状态等。4) 优先级策略：优先级策略用于确定不同车辆的充电优先级，例如，电量低的车辆具有更高的优先级。

📊 实验亮点

在伊斯坦布尔10公里城市道路的SUMO仿真结果表明，与无协调分配相比，该MPC框架能够显著提高资源利用率和用户满意度公平性。具体而言，该框架能够通过动态条带重新平衡来最大化饱和期间的功率利用率，并通过优先考虑低电量车辆来提高稀缺情况下的满意度公平性。具体性能提升数据未知，但论文强调解决了无协调分配策略的两个关键限制。

🎯 应用场景

该研究成果可应用于城市道路、高速公路等场景的动态无线充电基础设施建设。通过优化功率分配，可以提高充电效率，减少电动汽车的续航焦虑，促进电动汽车的普及。此外，该技术还可以应用于智能交通系统，实现车辆与基础设施的协同控制，提高交通效率和安全性。

📄 摘要（原文）

Range anxiety and long recharging times remain critical barriers to electric vehicle adoption. Dynamic Inductive Charging (DIC) offers a compelling solution by enabling wireless power transfer while driving, potentially reducing battery size requirements and thus vehicle costs. However, DIC infrastructures are expensive and power-constrained, requiring intelligent resource allocation to maximize user satisfaction and economic viability. We propose a Model Predictive Control framework for optimal power allocation in DIC systems, using edge computing and vehicular communications to prioritize vehicles with critical battery states. The framework is implemented and evaluated through SUMO-based simulations on a realistic 10 km urban scenario in Istanbul, Turkey, under varying traffic intensities. Results demonstrate two critical limitations of uncoordinated allocation. First, resource utilization remains suboptimal despite available power when demand saturates system capacity. Second, when demand exceeds capacity, uniform distribution of power leaves a heavy tail of critically unsatisfied vehicles that may require emergency stops. Our MPC-based strategy addresses both regimes -- maximizing power utilization during saturation through dynamic stripe rebalancing, and improving satisfaction fairness under scarcity by aggressively prioritizing depleted batteries at the expense of well-charged vehicles. The framework and simulation tools are released as open-source to support further research in this emerging domain.