Un marco de fusión jerárquico para la gestión de energía de vehículo a red utilizando inteligencia predictiva y...

Área de la Ciencia:

• Ingeniería Eléctrica
• Ciencias de la Computación
• Sistemas de Energía

Sus antecedentes:

• La estabilidad de la red y la eficiencia energética son desafíos críticos.
• Los vehículos eléctricos (VE) ofrecen una solución potencial a través de la tecnología Vehicle-to-Grid (V2G).
• La optimización de la carga y descarga de VE en función de las necesidades del conductor y las demandas de la red es compleja.

Objetivo del estudio:

• Comparar e integrar métodos avanzados para la optimización del sistema V2G.
• Desarrollar un enfoque de fusión colaborativa jerárquica para el control V2G.
• Mejorar la gestión de la energía, la viabilidad económica y la sostenibilidad de los sistemas V2G.

Principales métodos:

• Inteligencia Artificial (IA) para la previsión predictiva de la demanda y la carga.
• Teoría de Juegos para estrategias dinámicas de precios.
• Aprendizaje por Refuerzo (RL) para el control adaptativo en tiempo real.
• Un modelo de fusión jerárquica que integra señales de precios impulsadas por IA con control RL.

Principales resultados:

• El método de fusión jerárquico propuesto permite la toma de decisiones estratégicas, financieras y operativas consistentes en sistemas V2G.
• La previsión basada en IA informa la fijación de precios de la Teoría de Juegos, que restringe la política de control de RL.
• RL proporciona decisiones óptimas adaptativas y en tiempo real de carga y descarga.
• Los datos simulados validan la efectividad de las metodologías para aplicaciones del mundo real.

Conclusiones:

• La combinación de IA, Teoría de Juegos y RL ofrece una solución robusta para la optimización V2G.
• El enfoque integrado mejora la gestión de la energía, reduce la congestión de la red y aumenta los beneficios económicos.
• Esta investigación demuestra un camino hacia una integración V2G más eficiente y sostenible.