导　　师： 荆朝霞

授予学位： 硕士

作　　者： ;

机构地区： 华南理工大学

摘　　要： 电动汽车接入电网会对电力系统造成较大的影响,特别是当电动汽车的渗透率较高时,甚至会威胁到电力系统的安全、稳定运行。电动出租车具有运营时间长、行驶距离远、充电密度高等特点,同时其运营行为受到多个主体和多方面因素的影响,表现出较大的随机性,因此对电网造成的不确定影响也将更大。基于Monte-Carlo方法和传统的数学优化等方法难以在主体与环境之间建立一种确定的数学模型,为了准确模拟电动出租车的运营行为和负荷特性,本文提出了基于多代理技术和强化学习的方法,并对比分析了两种强化学习算法对电动出租车运营行为和充电负荷的影响。在此基础上,探讨了交接班制度和充电引导策略对电动出租车运营情况的影响。本文主要工作如下:(1)构建了基于多代理技术的电动出租车实时运营仿真系统架构。在该架构中,基于JADE开发平台建立了时间、充电站、电网和电动出租车等多种类型的代理模型,设计了代理之间的信息交互机制和代理的接口文件。根据不同类型代理的特点划分了多个模块,并将其分布在不同的宿主机上运行,实现电动出租车运营的分布式仿真。(2)对比分析两种强化学习算法对电动出租车运营行为的影响。首先系统性的介绍了多种学习算法,然后从状态空间、行为决策空间、行为策略选择及其概率更新和奖惩函数四个方面建立了电动出租车代理的强化学习算法模型。发展了一种具有多步预见能力的回溯Q(λ)学习算法,并与Q-Learning学习算法在收敛性能、学习算法收益函数的指标、充电时SOC时空分布、充电负荷曲线等多个角度进行比较分析。在此基础上探讨了电动出租车交接班充电SOC阈值和时间分布对电动出租车运营和充电负荷的影响。(3)对比分析不同充电策略下对电动出租车运营行为的影响。在就近充电策略�

关 键 词： 电动出租车 多代理技术 强化学习 交接班制度 充电引导

领　　域： []