具有数据驱动控制模型的电动汽车充电的大规模场景

计划支持广泛的交通电气化取决于对电动汽车在非受控和受控或智能充电场景中的电力需求的详细估计。 我们提出了一种建模方法来快速生成充电估计，其中包括对具有数百万个人驾驶员的大规模场景的控制。 我们使用真实充电会话的统计表示来模拟不受控制的充电需求。 我们使用一种替代传统优化方法的新型机器学习方法来模拟负载调制控制对总充电曲线的影响。 我们展示了其具有多个电价计划的性能建模工作场所充电控制，实现了小错误（2.5% 到 4.5%），同时将计算速度提高了 4000 倍以上。 我们通过为加州 2030 年的充电需求生成场景来说明该方法，包括多个充电段和控制，场景在 50 秒内在本地运行，并用于协助费率设计建模新工作场所充电率的大规模影响。
   关键词：电动汽车，受控充电，机器学习，负载曲线，可扩展

本文提出了一个建模框架，以协助进行长期规划，以支持电动汽车未来的充电需求，达到和超越当今雄心勃勃的电动汽车目标的规模。 在一分钟内构建 500 万辆或更多电动汽车规模的场景，使政策制定者能够使用该模型进行快速比较、测试假设并与模型进行近乎实时的交互。
  在本文中，我们提出了一种新颖的、数据驱动的方法来对负载调制充电控制进行建模，并展示了其在一组实际电费优化中的应用。
  这种方法使得在大规模充电场景中实时包含控制的影响成为可能：一旦模型被训练，将每个控制规则应用于新场景只增加了几秒钟。 我们将该框架应用于代表加州 2030 年电动汽车充电需求的一组场景，强调了场景之间假设的变化以及对充电进行控制的影响。 我们还演示了如何使用该框架来研究新的电价表：使用会话模型模拟的会话数据并使用我们的机器学习方法拟合新的控制模型，我们快速估计了新的工作场所电价表的大规模影响 .
  这种方法为规划者和政策制定者引入了一种新的隐私保护工具，可以为电动汽车充电生成快速、数据驱动、可扩展的场景，并研究不同充电控制的影响，专为实现电气化目标所需的采用规模而设计 今天由世界各国设定 

​​​​​​​