ترجمه فارسی مقاله یک رویکرد یادگیری ماشین برای تقویت زمان‌بندی خودرو-به-شبکه

چکیده

Electric Vehicles (EVs) are emerging as battery energy storage systems (BESSs) of increasing importance for different power grid services. However, the unique characteristics of EVs makes them more difficult to operate than dedicated BESSs. In this work, we apply a data-driven learning approach to leverage EVs as a BESS to provide capacity-related services to the grid. The approach uses machine learning to predict how to charge and discharge EVs while satisfying their operational constraints. As a paradigm application, we use flexible energy commercialization in the wholesale markets, but the approach can be applied to a broader range of capacity-related grid services. We evaluate the proposed approach numerically and show that when the number of EVs is large, we can obtain comparable objective values to CPLEX and approximate dynamic programming, but with shorter run times. These reduced run times are important because they allow us to (re)optimize frequently to adapt to the time-varying system conditions.

چکیده به فارسی (ترجمه ماشینی)

وسایل نقلیه الکتریکی (EV) به عنوان سیستم های ذخیره انرژی باتری (BESSS) برای افزایش اهمیت برای خدمات مختلف شبکه برق در حال ظهور هستند.با این حال ، ویژگی های منحصر به فرد EVS باعث می شود که کار آنها نسبت به BESSS اختصاصی کار را دشوارتر کند.در این کار ، ما یک روش یادگیری داده محور را برای اهرم EVS به عنوان یک BESS برای ارائه خدمات مرتبط با ظرفیت به شبکه اعمال می کنیم.این رویکرد از یادگیری ماشین برای پیش بینی نحوه شارژ و تخلیه EV ها ضمن برآورده کردن محدودیت های عملیاتی آنها استفاده می کند.به عنوان یک کاربرد پارادایم ، ما از تجاری سازی انرژی انعطاف پذیر در بازارهای عمده فروشی استفاده می کنیم ، اما این رویکرد می تواند برای طیف وسیع تری از خدمات شبکه مرتبط با ظرفیت اعمال شود.ما رویکرد پیشنهادی را به صورت عددی ارزیابی می کنیم و نشان می دهیم که وقتی تعداد EVs بزرگ باشد ، می توانیم مقادیر عینی قابل مقایسه ای را با برنامه نویسی CPLEX و تقریبی برنامه نویسی پویا بدست آوریم ، اما با زمان اجرا کوتاه تر.این زمان های کاهش یافته مهم هستند زیرا به ما امکان می دهند تا به طور مکرر بهینه سازی کنیم تا با شرایط سیستم متغیر زمان سازگار شویم.