VGridSim: 面向车网互动的人工智能调控算法开源测试平台

VGridSim 是一个专为车网互动（Vehicle-to-Grid, V2G）场景设计的人工智能调控算法开源测试平台。

本平台旨在解决现有平台难以兼顾物理精度与计算扩展性的痛点。通过分层解耦架构，VGridSim 集成了高精度的配电网潮流计算与灵活的强化学习（RL）训练环境，支持从算法研发、训练到性能评估的全流程工作。 （目前是中文版，后续将更新英文版）

• 三层解耦架构:
  • 系统场景层: 物理设备建模与场景配置。
  • 计算控制层: 两阶段潮流计算（Linear DistFlow + OpenDSS）与调度控制。
  • 接口评测层: Gym 标准接口封装与可视化评估。
• 高精度两阶段潮流: 结合线性化 DistFlow与 OpenDSS进行潮流计算，兼顾计算效率与物理精度。
• 丰富的设备建模:
  • V2G: 支持多充电站、多桩并发、随机/指定行程的电动汽车充放电行为建模。
  • 分布式能源: 光伏 (PV)、风电 (Wind) 及 储能系统 (ESS)。
  • 柔性互联: 支持软开关 (SOP) 和常开点 (NOP) 的网络重构与功率控制。
• 全面的算法支持:
  • 强化学习 (RL): 封装为标准 Gymnasium 环境，内置 Stable-Baselines3 支持 (PPO, SAC, DDPG, TD3)。
  • 最优基准 (Optimal Baseline): 基于 Pyomo 的混合整数规划模型，支持调用 Gurobi/Cplex 求解全局最优解作为性能锚点。
• 可视化交互: 提供基于 PyQt 的图形化界面 (GUI)，支持场景参数配置、训练过程实时监控及结果的多维图表展示。

VGridSim/
├── fpowerkit/                  # 内置的修改版电力系统建模工具库
├── custom_algorithms/          # 用户自定义算法存放目录
├── data/                       # 仿真数据
│   ├── grid_parameters.xlsx    # 配电网详细参数配置
│   └── my_ev_scenarios.csv     # 自定义电动汽车行程数据
├── results/                    # 仿真与训练结果输出目录
├── gui_main.py                 # 图形化界面启动入口
├── baseline.py                 # 离线最优基准算法 (Pyomo + Solver)
├── train_ppo.py                # PPO 算法训练脚本
├── train_sac.py                # SAC 算法训练脚本
├── train_ddpg.py                # DDPG 算法训练脚本
├── train_td3.py                # TD3 算法训练脚本
├── train_all_overnight_v2.py   # 批量训练脚本
├── two_stage_powerflow.py      # 两阶段潮流计算核心
├── grid_model.py               # 电网对象构建工厂
├── power_grid_env.py           # Gym 强化学习环境定义
└── requirements.txt            # 项目依赖列表

本项目基于 Python 3.11 开发。建议使用 Conda 创建虚拟环境。

git clone https://github.com/hesl-seu/vgridsim.git
cd vgridsim

注意: 本项目依赖一个定制修改版的 fpowerkit 库，该库的源代码已包含在本项目根目录下的 /fpowerkit 文件夹中。请勿通过 pip 安装 fpowerkit，Python 运行时会自动加载项目内的版本。

请仅安装其他标准依赖：

当前版本建议直接安装压缩包，后续会尽快完善安装流程。

pip install -r requirements.txt

提示: 如果需要运行 baseline.py (最优基准)，请确保已安装 Gurobi (推荐) 优化求解器。

这是最直观的使用方式，适合进行参数配置、场景预览和单次仿真演示。

python gui_main.py

在界面中，你可以选择电网拓扑（IEEE 33/69/123）、设置EV规模、选择算法（RL或Optimal Baseline）并观察实时训练曲线与潮流结果。

直接运行对应的训练脚本即可开始训练模型。训练日志和模型文件将保存在 results/ 目录下。

# 训练 PPO 智能体
python train_ppo.py

# 训练 SAC 智能体
python train_sac.py

# 训练 DDPG 智能体
python train_ddpg.py

# 训练 TD3 智能体
python train_td3.py

计算当前场景下的理论全局最优解，用于评估 RL 算法的性能差距（Optimality Gap）。

python baseline.py

平台自动计算并输出以下关键指标：

• 经济性: 系统总运行成本、购电成本、网损成本。
• 安全性: 节点电压分布、线路负载率、电压越限惩罚。
• 用户满意度: 电动汽车充电满足率 (SoC 达标率)。

可视化脚本 visualization.py 可用于生成对比图表。

• 东南大学 胡秦然老师，钱涛老师

如有问题，欢迎提交 Issue ，也可联系邮件linbash@163.com。