近日，我校信电学院郑颖颖教授在电气工程领域顶级期刊IEEE Transactions on Transportation Electrification上在线发表研究论文 Dynamic Incentive Pricing Menu Differentiated EV Real-Time Charging Schedule to Increase Renewable Energy Consumption: A Deep Reinforcement Learning Approach，该研究提出了一种新型电动汽车充电调度方法，将价格方案映射到电动汽车充电计划，从而降低电动汽车驾驶员的即时电费成本，增加聚合商的长期收益，并提升可再生能源的渗透率。

在用电高峰时段，大量电动汽车充电不受监管会给电网带来过大压力。在智能电网中基于聚合商的电动汽车需求响应计划的成功实施，依赖于激励定价计划和充电计划协议。由于交通状况的随机性、电动汽车驾驶员的灵活性和电力批发市场的不确定性，聚合商难以做出实时决策。在本研究中，实时电动汽车充电调度问题被表述为一种改进的基于马尔可夫决策过程的强化学习方法，以确定提供给单个电动汽车驾驶员的动态价格菜单和配对的最佳充电安排。

动态激励定价下电动汽车充电时间计划示意图

具体创新点如下：(1)研究基于深度强化学习的聚合电动汽车模型，该模型能够实时将最优竞价价格菜单与插电式电动汽车的充电计划相匹配；(2)应用滑动时间窗口技术，选择能够为聚合商带来最高利润、为电动汽车驾驶员节省最多额外电费，并减少可再生能源弃电量的最优充电时段；(3)通过大规模模拟测试案例，提升强化学习模型的收敛速度和泛化能力。

研究结果显示，动态激励定价结构补偿了驾驶员因电动汽车充电时间延长而带来的不便，动态充电重新安排计划提高了可再生能源的渗透率并为聚合商和电动汽车驾驶员创造了显著的经济利益。

需求响应前后负荷的变化与不同场景下的充电折扣

中国农业大学为该论文的第一完成单位，信息与电气工程学院郑颖颖教授为论文第一作者，学院2023级硕士研究生缪新义为论文学生第一作者。南达科他州立大学电气工程和计算机科学系的副教授Timothy M. Hansen为论文合作作者。论文工作得到了国家自然科学基金项目（项目批准号：52207143）资助。

IEEE Transactions on Transportation Electrification，简称IEEE TTE，创刊于2015年，是交通电气化领域的权威期刊，由IEEE Power Electronics Society（美国电气与电子工程师协会电力电子学会）主办。