近日，我院新能源动力系统智能管理与控制团队在电动汽车换电站智能调度方面取得新进展。相关成果“Profit-aware battery swapping station energy scheduling via hybrid hierarchical deep reinforcement learning”在交通与环境领域国际知名期刊《Transportation Research Part D: Transport and Environment》正式发表。
随着城市交通电动化转型的深入，里程焦虑是制约电动汽车普及的核心问题之一。换电站以其高效的补能方式成为重要解决方案，然而，动态变化的市场电价、随机波动的用户需求以及复杂的站内电池状态，使得传统调度方法难以在保障服务质量的同时实现运营利润最大化。本研究针对这一工程难题，提出了一种创新性的数据驱动智能调度框架，为提升换电站的综合运营效能提供新思路。
团队设计了一种融合预测与优化的混合分层深度强化学习控制框架。该框架首先基于历史运营数据，利用时间卷积网络对短期内的电动汽车换电需求及电池状态进行精准预测。进而，通过双向长短期记忆网络提取全局最优策略特征，生成站级总功率决策。在执行层，采用双深度Q学习智能体，将宏观功率指令实时、动态地分解为站内每一个电池的精细充放电指令，实现了在多约束、高不确定环境下的自主优化调度。该方法的核心优势在于其分层协同机制，既利用了预测信息的前瞻性，又保持了强化学习对复杂动态环境的自适应能力。
基于实际数据的验证表明，所提智能框架在实时无先知的条件下，可实现超过90%的全局最优利润，服务成功率超98%，并能平滑电网功率需求，降低约26%的峰值负荷。这证明了其在经济性、服务可靠性与电网友好性上的综合优势。此外，该调度方法还拥有很好的鲁棒性和抗风险能力，具备显著工程应用价值。
我院2022级车辆工程本科生周泉旭为论文第一作者，武骥副教授为论文通讯作者，本科生黄梦莹、汤昊宇、成佳鹏为共同作者。本项成果是团队在智慧交通能源系统管理与优化方向上的持续深耕，不仅为解决换电站实际运营调度难题提供了高效算法工具，也为我院在新能源汽车与智能交通交叉学科领域的创新发展和人才培养提供了有力支撑。
该项研究工作得到了国家级大学生创新创业项目和国家自然科学基金的支持。
论文链接：https://www.sciencedirect.com/science/article/pii/S1361920926000295
