[論文レビュー] Clustering Consumption in Queues: A Scalable Model for Electric Vehicle Scheduling

Mahnoosh Alizadeh, George Kesidis+1 more|arXiv (Cornell University)|Apr 24, 2013

Electric Vehicles and Infrastructure参考文献 10被引用数 4

ひとこと要約

本稿では、電気自動車（EV）の負荷スケジューリングのためのスケーラブルなクラスタリングベースのモデルを提案する。このモデルは、消費パターンに基づいてEVの充電需要を有限のクラスタにグループ化し、効率的なリアルタイム負荷追従を可能にする。モデル予測制御（MPC）スケジューラーとヒューリスティック手法を用いることで、ISOのディスpatch信号からの近似ゼロの偏差を達成しながら、ハードなQoS保証を維持する。ヒューリスティック手法は、計算コストを低く抑えつつ1分未満でほぼ最適な性能を達成する。

ABSTRACT

In this paper, we introduce a scalable model for the aggregate electricity demand of a fleet of electric vehicles, which can provide the right balance between model simplicity and accuracy. The model is based on classification of tasks with similar energy consumption characteristics into a finite number of clusters. The aggregator responsible for scheduling the charge of the vehicles has two goals: 1) to provide a hard QoS guarantee to the vehicles at the lowest possible cost; 2) to offer load or generation following services to the wholesale market. In order to achieve these goals, we combine the scalable demand model we propose with two scheduling mechanisms, a near-optimal and a heuristic technique. The performance of the two mechanisms is compared under a realistic setting in our numerical experiments.

研究の動機と目的

• シンプルさと忠実度の両立を図る、集計EV電力需要のスケーラブルで正確なモデルの開発。
• 独立システムオペレーター（ISO）が発行する小時間単位の負荷追従信号をリアルタイムで追従できるEVファミリーのスケジューリングを可能にするとともに、ハードなサービス品質（QoS）保証を維持すること。
• 予測された需要に一致するように事前に正確に十分なバッチ電力購入を行うことで、市場コストを最小限に抑えること。
• 現実的な条件下で、最適（MPC）およびヒューリスティックスケジューリング手法の性能を評価すること。
• 個々の充電レートの完全な制御が不要な状況下でも、EV充電行動の粗いクラスタリングが、システムレベルの制御を効果的に可能にすることを示すこと。

提案手法

• モデルは、エネルギー消費プロファイルに基づいてEV充電タスクをクラスタに分類し、量子化と分類を用いて集計負荷行動を近似する。
• 各クラスタには代表的な充電プロファイル（コード）が割り当てられ、EV負荷ダイナミクスのスケーラブルな複数記述モデルが可能になる。
• モデル予測制御（MPC）スケジューラーは、目標負荷プロファイル $P^{(k)}(t) + a(t)$ からの偏差を最小化する整数計画問題を解く。偏差のペナルティは、小時間内偏差に対して10倍高い重みが与えられる。
• 計算コストを低減するためのヒューリスティックスケジューラーは、偏差を最小化するようにクラスタ割り当てを貪欲に選択する。
• 両スケジューラーの性能は、現実的な充電プロファイルと風力予測誤差を含む1,000台のEVを対象とした12時間のシミュレーションで評価される。
• 風力追従信号は、実世界のデータ（ボネビル・パワー協会）から得られ、60 kWsの容量に正規化され、最初の9時間に適用される。

実験結果

リサーチクエスチョン

• RQ1 有限個の行動タイプに分類されたEV充電需要は、リアルタイムスケジューリングに適したスケーラブルで正確な負荷モデリングを可能にするか？
• RQ2 ヒューリスティックスケジューリング手法は、負荷追従精度と計算コストの両面で、モデル予測制御（MPC）スケジューラーの性能をどの程度近似できるか？
• RQ3 固定されたバッチ購入 $P^{(0)}(t)$ を使用する場合と、更新されたもの $P^{(k)}(t)$ を使用する場合とで、ヒューリスティックスケジューラーの性能にどのような差が出るか？
• RQ4 クラスタリング手法は、リアルタイム市場信号の存在下でも、QoS保証を維持しながら負荷追従を実現できる程度はどの程度か？
• RQ5 風力予測誤差や変動するEVの到着／出発パターンが想定される現実的な条件下で、システムはどの程度の性能を示すか？

主な発見

• MPCスケジューラーは、12時間の夜間期間中に合計0.03 kWhsの偏差しか生じず、目標負荷プロファイル $P^{(k)}(t) + a(t)$ からの近似ゼロの偏差を達成した。
• ヒューリスティックスケジューラーは、MPCと同等の性能を達成し、合計13 kWhsの偏差を示したが、MPCの1時間以上を要するのに対し、1分未満で実行された。
• 固定されたバッチ購入 $P^{(0)}(t)$ を使用した場合、ヒューリスティック手法は最終2時間で性能が著しく低下し、適応的バッチ購入の更新の重要性が示された。
• 適応的バッチ購入 $P^{(k)}(t)$ に更新された場合、ヒューリスティック手法は目標プロファイル $P^{(k)}(t) + a(t)$ を効果的に追従し、現実的な条件下での優れた性能を示した。
• クラスタリングモデルは、複雑さを効果的に低減しながらも、正確性を保持した。これにより、個々のEV充電レートの完全な制御が不要な状況下でも、スケーラブルなリアルタイムスケジューリングが可能になった。
• 関連研究が引用するように、早期退場、不正確なクラスタ推定、変動する到着プロセスなどの不確実性に対しても、モデルは頑健であることが裏付けられた。