.png){kind=icon}
返回
Enhancing Smart Grid Reliability Through Data-Driven Optimisation and Cyber-Resilient EV Integration
.png){kind=icon}
PRE
AI
DOI：10.3390-en18174510.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种新颖的网络安全弹性、数据驱动的实时能源管理优化框架，适用于集成电动车辆（EV）的智能电网。该框架整合了一个混合优化引擎——结合遗传算法和强化学习——与实时分析模块，以实现不确定性下的自适应调度。它考虑了动态电价、EV移动模式和电网负荷波动，动态重新分配充电需求以响应不断变化的电网条件。与现有的GA-RL调度器不同，该框架独特地整合了自适应优化与不完全数据下的弹性预测，以及轻量级区块链启发的网络安全防御，从而同时解决效率、准确性和安全性问题。为确保EV-电网通信的安全性和可信度，纳入了一种轻量级区块链启发的协议，并由入侵检测系统（IDS）支持以缓解网络攻击。使用欧洲智能电网数据集的实证评估表明，日峰需求降低了9.6%（从33 kWh降至29.8 kWh），原始峰时段交付的能源减少了27%，且需求重新分配使19:00时的交付量增加了近25%。充电站利用率更加均衡，周峰归一化利用率从1.0降至0.7。预测模块在最多25%数据缺失的情况下，实现了0.25 kWh的平均绝对误差（MAE）和低于20%的平均绝对百分比误差（MAPE）。在测试的模型中，CatBoost在均方根误差（RMSE）为0.853 kWh和R²为0.416方面优于LightGBM和XGBoost。IDS实现了94.1%的准确率，AUC为0.97，并在50–300 ms内检测到攻击，在50%的新型攻击场景下保持了超过74%的检测准确率。优化运行时间即使在名义数据集规模的五倍下也保持在0.4秒以下。此外，本研究概述了一个概念性扩展，以支持充电基础设施的位置规划。这建议将基础设施部署与预测需求对齐，以提升空间部署效率。虽然当前框架未实现此功能，但这种前瞻性整合凸显了同步基础设施发展与动态使用模式的机会。综合来看，研究结果证实，所提出的方法在技术上是稳健的、在操作上是可行的，并且能够适应智能EV-智能电网系统不断变化的需求。
Keyword:
cyber-resilient optimisation
electric vehicle integration
smart grid energy management
hybrid genetic algorithm and reinforcement learning
lightweight blockchain-inspired cyber-defence
期刊
IF:
3.2
论文数:
1.6W
被引数:
14.2W
机构
引用论文
Elkholy, A.M.; Nikolaevich, R.A.; Vasilievich, B.A.; Aleksandrovich, C.I. Genetic Algorithm-Based Optimization of EV Charging Station Placement on Long-Distance Routes. In Proceedings of the 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), Moscow, Russia, 8–10 April 2025; pp. 1–7. [Google Scholar] [CrossRef]Elkholy, A.M.; Nikolaevich, R.A.; Vasilievich, B.A.; Aleksandrovich, C.I. 基于遗传算法的长距离路线电动汽车充电站布局优化。在2025年第七届国际青年无线电电子、电气与能源工程会议（REEPE）论文集，莫斯科，俄罗斯，2025年4月8～10日；第1～7页。 [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Forecasting Electric Vehicles’ Charging Behavior at Charging Stations: A Data Science-Based Approach预测充电站电动汽车的充电行为：一种基于数据科学的方法Energies
OAAI
EnergiesIF0
OAAI分享收藏Smooth and Uninterrupted Operation of Standalone DC Microgrid Under High and Low Penetration of RESsRESs高低渗透率下独立直流微电网的平滑不间断运行IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Asensio, O.I.; Apablaza, C.Z.; Lawson, M.C.; Walsh, S.E. Replication Data for: A Field Experiment on Workplace Norms and Electric Vehicle Charging Etiquette; Georgia Institute of Technology: Atlanta, GA, USA, 2020. [Google Scholar] [CrossRef]Asensio, O.I.; Apablaza, C.Z.; Lawson, M.C.; Walsh, S.E. 工作场所规范与电动汽车充电礼仪的实地实验数据；佐治亚理工学院：亚特兰大，GA，美国，2020。 [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Koshkin, D.; Sadovoy, O.; Rudenko, A.; Sokolik, V. Optimising energy distribution and detecting vulnerabilities in networks using artificial intelligence. Mach. Energetics 2025, 2, 36–48. [Google Scholar] [CrossRef]Koshkin, D.; Sadovoy, O.; Rudenko, A.; Sokolik, V. 利用人工智能优化能源分配及检测网络中的脆弱性。Mach. Energetics 2025, 2, 36–48. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Optimizing Electric Vehicle Charging Considering Driver Satisfaction Through Machine LearningIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Optimal site selection of electric vehicle charging station by using fuzzy TOPSIS based on sustainability perspectiveAPPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
查看更多内容