[論文レビュー] A Stochastic Model for Uncontrolled Charging of Electric Vehicles Using Cluster Analysis

Constance Crozier, Thomas Morstyn+1 more|arXiv (Cornell University)|Jul 17, 2019

Electric Vehicles and Infrastructure参考文献 26被引用数 9

ひとこと要約

本論文は、K-meansクラスタリングを用いて、EV試験データと国家交通調査データを統合することで、無制御EV充電のための確率的モデルを提案する。このモデルは、車両使用を1つのパラメータに簡略化し、実際の充電時刻から10分以内に80%の予測精度を達成する。これは従来の仮定（最終移動後に充電が発生する）を著しく上回り、特にミッドランド地方では100%のEV普及状況下でADMDがほぼ2倍にまで上昇する可能性がある。

ABSTRACT

This paper proposes a probabilistic model for uncontrolled charging of electric vehicles (EVs). EV charging will add significant load to power systems in the coming years and, due to the convenience of charging at home, this is likely to occur in residential distribution systems. Estimating the size and shape of the load will allow necessary reinforcements to be identified. Models predicting EV charging are usually based on data from travel surveys, or from small trials. Travel surveys are recorded by hand and typically describe conventional vehicles, but represent a much larger and more diverse sample of the population. The model here utilizes both sources: trial data to parameterize the model, and survey data as the model input. Clustering is used to identify modes of vehicle use, thus reducing vehicle use to a single parameter -- which can be incorporated into the model without adding significant computational burden. Two case studies are included: one investigating the aggregated charging of 50 vehicles, and one predicting the increase in after diversity maximum demand for different regions of the UK.

研究の動機と目的

• 無制御EV充電のための確率的モデルを構築し、車両使用と充電行動の変動を正確に捉えること。
• 従来のモデルが、最終移動後に充電が発生すると仮定することでピーク需要を過大評価する、あるいは小規模な試験データに偏ったバイアスを生じるという限界を是正すること。
• 高解像度の試験データと大規模な国家交通調査データを統合することで、配電網への影響を正確に予測可能にする。
• UK全域におけるEV充電影響の地域差、特にアフターディバーシティ最大需要（ADMD）の変動を定量化すること。
• 現在のEV影響の推定値がピーク需要を過大評価している可能性を示し、従来の推定値よりも高いEV普及率が実現可能である可能性を示すこと。

提案手法

• EV試験データにK-meansクラスタリングを適用し、3つの異なる車両使用モードを特定することで、複雑な使用パターンを1つのクラスタベースのパラメータに簡略化する。
• 試験データから状態残存率（SOC）、時間帯、曜日種別、および車両使用モードに基づいて、充電行動をモデル化するための条件付き確率分布を導出する。
• モンテカルロシミュレーションを用いて、これらの分布からサンプリングし、地域ごとの国家交通調査（NTS）データに適用することで、確率的充電プロファイルを生成する。
• 地域のADMD（アフターディバーシティ最大需要）は、既存の家庭用負荷プロファイル（UKのエネルギー消費および料金データから導出）に予測されたEV充電プロファイルを重ね合わせることで推定する。
• 予測された充電時刻と実際の試験データを比較することでモデルを検証し、時間窓内での正確さを指標とする。
• 100%のEV普及状況を想定し、UKのすべての地方自治体で200回のシミュレーションを実施することで、EV影響の地理的変動を評価する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、混合データソースを統合した確率的モデルを構築し、無制御EV充電行動を正確に表現できるか？
• RQ2 車両使用モードのクラスタリングは、モデルの精度と計算効率をどの程度向上させるか？
• RQ3 本モデルの予測精度は、従来の仮定（充電は最終移動後にのみ発生する）と比較してどの程度優れているか？
• RQ4 UK全域におけるEV充電の影響が低圧配電網のADMDに及ぼす地域差は何か？
• RQ5 本モデルのピーク需要推定値は、従来の仮定と比較してどのように異なるか。また、配電網強化にどのような意味を持つのか？

主な発見

• モデルは、実際の充電イベントの80%を10分以内の時間窓で正しく予測した。これは、従来の仮定（最終移動後に充電）が達成した42%の精度を著しく上回る。
• 本モデルが予測したピーク充電需要は、従来の仮定（最終移動後に充電）を用いた推定値より30%低かった。
• EV試験参加者は全国平均を上回る距離を走行しており、試験データを一般化すると充電需要が過大評価される可能性がある。
• ロンドンでは100%のEV普及状況下でもADMDの増加は限定的であったが、ミッドランド地方では高い車両使用率と低いベースライン需要の影響で、ADMDがほぼ2倍にまで上昇する可能性がある。
• 本モデルは、地域ごとの車両使用状況と既存の負荷プロファイルを考慮する必要があることを示しており、単一の全国的モデルでは地域のネットワーク影響を正しく再現できない可能性がある。
• 実際の充電行動を反映したモデル化によりピーク需要が低減するため、従来の推定値よりも高い配電レベルでのEV導入が可能である可能性が示された。