A stage-based optimization framework for wind curtailment mitigation using shared autonomous electric vehicles

Zuowei Zhang

doi:10.1016/j.apenergy.2026.128769

A stage-based optimization framework for wind curtailment mitigation using shared autonomous electric vehicles

2026-09-01

0

PRE

AI

DOI：10.1016/j.apenergy.2026.128769

原文链接

原文求助

摘要

En 中文

本文提出了一种面向基准的四阶段框架，将动态热极限输电（DTLR）与共享自动驾驶电动汽车（SAEV）车队的车辆到电网（V2G）控制相结合，以缓解受出口走廊热约束约束的风能削减问题。采用改进的IEEE RTS-24系统，阶段0-2使用直流最优潮流对静态输电极限（SLR）、基于天气的DTLR和基于规则的SAEV充电进行基准测试，而阶段3将规则替换为具有安全防护的决斗双重深度Q-网络控制器。可行性层通过构造将原始动作投影到可接受的车队功率上，并强制执行走廊热极限、充电器约束、荷电状态极限、可用性极限和爬坡率约束。全年基准模拟显示，在静态输电极限下的名义年度风能削减量从239.7 GWh减少到DTLR单独运行时的121.5 GWh，DTLR加规则充电时的76.3 GWh，以及具有可用性和成本意识的DTLR加安全强化学习V2G情况下的67.9 GWh，且无模拟走廊热越限。额外的34年蒙特卡洛诊断显示，阶段3的平均年度风能削减量（EWEC）为69.2 GWh/年，单年最大风能削减量为69.8 GWh/年，证实阶段3的诊断结果不受极端采样年份的主导影响。

Keyword:

Dynamic thermal line rating

Vehicle-to-grid

Wind curtailment

Shared autonomous electric vehicles

Safe reinforcement learning

DC optimal power flow

A stage-based optimization framework for wind curtailment mitigation using shared autonomous electric vehicles

摘要

期刊

机构

引用论文