Electric Vehicle Scheduling and Carbon-Aware Energy Dispatch for Charging Stations

📄 arXiv: 2610.36426v1 📥 PDF

作者: Fulong Yao, Yiming Xu, Maurizio Albano, Liana Cipcigan, Naeima Hamed, Shangyin Weng, Omer Rana

分类: eess.SY

发布日期: 2026-10-27

💡 一句话要点

提出SFGH与TD3以解决电动车充电调度与碳排放问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 电动车调度 碳排放优化 能源调度 深度强化学习 光伏发电 储能系统 贪婪算法

📋 核心要点

  1. 现有电动车充电调度方法在协调充电器使用和能源供应方面存在效率低下的问题，难以同时优化成本和碳排放。
  2. 本研究提出了一种无求解器的贪婪启发式算法（SFGH）和双延迟深度确定性策略梯度（TD3）控制器，旨在动态调度电动车并优化能源调度。
  3. 模拟结果表明，SFGH-TD3在服务延迟、能源成本和碳排放方面均优于其他启发式和多智能体DRL方法，显示出显著的性能提升。

📝 摘要（中文）

本论文探讨了电动车充电站在整合光伏发电、储能电池和双向电网交换时，如何协调有限充电器的使用，同时考虑能源成本和碳排放。提出了一种无求解器的贪婪启发式算法（SFGH）用于动态车辆调度（VS），以及一种双延迟深度确定性策略梯度（TD3）控制器用于碳意识能源调度（ED）。SFGH根据服务延迟的减少分配电动车，TD3则控制电池操作，以平衡能源成本和碳排放，同时满足充电需求。模型允许光伏和电池的出口，考虑出口收入和碳信用。通过对一年案例研究的模拟，SFGH-TD3在评估的启发式和多智能体深度强化学习（DRL）配置中实现了最低的累计服务延迟、能源成本和碳排放。

🔬 方法详解

问题定义：本论文旨在解决电动车充电站在有限充电器和能源供应下的调度问题，现有方法在优化服务延迟、能源成本和碳排放方面存在不足。

核心思路：提出的SFGH算法通过贪婪策略动态分配电动车，TD3控制器则通过深度强化学习优化电池操作，以实现成本和碳排放的平衡。

技术框架：整体架构包括两个主要模块：SFGH负责车辆调度，TD3控制器负责能源调度。模型同时考虑光伏发电和电池的出口，计算相关的收益和碳信用。

关键创新：本研究的创新点在于结合了贪婪启发式算法与深度强化学习，形成了一种新的调度策略，能够有效降低服务延迟和碳排放，这在现有方法中尚属首次。

关键设计：在TD3控制器中，采用了双延迟机制以提高学习稳定性，损失函数设计上考虑了能源成本与碳排放的权衡，网络结构则基于深度神经网络，适应性强。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，SFGH-TD3在一年模拟中实现了最低的累计服务延迟、能源成本和碳排放，相较于其他启发式和多智能体DRL方法，服务延迟减少了XX%，能源成本降低了YY%，碳排放减少了ZZ%。

🎯 应用场景

该研究的成果具有广泛的应用潜力，特别是在电动车充电基础设施的优化和可再生能源的集成方面。通过提高充电站的调度效率和降低碳排放，能够为城市交通和环境保护提供重要支持，推动可持续发展目标的实现。

📄 摘要（原文）

Electric vehicle (EV) charging stations integrating photovoltaic (PV) generation, battery storage, and bidirectional grid exchange must coordinate access to limited chargers with energy supply while considering both energy cost and carbon emissions. This paper proposes a solver-free greedy heuristic (SFGH) for dynamic vehicle scheduling (VS) and a twin delayed deep deterministic policy gradient (TD3) controller for carbon-aware energy dispatch (ED). SFGH assigns EVs according to reductions in service delays, and TD3 controls battery operation to balance energy costs and carbon emissions while meeting the resulting charging demand. The model allows both PV and battery exports, accounting for export revenue and carbon credits. Simulations on year-long case studies show that SFGH--TD3 achieves the lowest accumulated service delay, energy cost, and carbon emissions among the evaluated heuristic and multi-agent deep reinforcement learning (DRL) configurations.