[論文レビュー] Coordinated Electric Vehicle Charging Control with Aggregator Power Trading and Indirect Load Control

James J. Q. Yu, Junhao Lin+2 more|arXiv (Cornell University)|Aug 4, 2015

Electric Vehicles and Infrastructure参考文献 31被引用数 11

ひとこと要約

本稿では、複数のEVアグリゲーター間でのエネルギー取引と局所的マージナル価格（LMP）への適応を可能にする分散型オークションベースのヒューリスティクスを提案し、アグリゲーターの利益を最大化する共同EV充電を実現する。エネルギー取引と混雑コスト管理を統合することで、グリッドの混雑状況を考慮した効率的な最適化を実現し、グリーディー充電手法と比較して利益を21.8%増加させる近似的最適性能を達成するとともに、計算コストは低く抑えられている（1イタレーションあたり9.13秒）。

ABSTRACT

Due to the increasing concern for greenhouse gas emissions and fossil fuel security, electric vehicles (EVs) have attracted much attention in recent years. EVs can aggregate together constituting the vehicle-to-grid system. Coordination of EVs is beneficial to the power system in many ways. In this paper, we formulate a novel large-scale EV charging problem with energy trading in order to maximize the aggregator profit. This problem is non-convex and can be solved with a centralized iterative approach. To overcome the computation complexity issue brought by the non-convexity, we develop a distributed optimization-based heuristic. To evaluate our proposed approach, a modified IEEE 118 bus testing system is employed with 10 aggregators serving 30 000 EVs. The simulation results indicate that our proposed distributed heuristic with energy trading can effectively increase the total profit of aggregators. In addition, the proposed distributed optimization-based heuristic strategy can achieve near-optimal performance.

研究の動機と目的

• 複数のEVアグリゲーターが協働して充電を行うフレームワークにおいて、利益を最大化するという課題に対処すること。
• アグリゲーター内での協調的最適化を超えて、利益を向上させるメカニズムとしてアグリゲーター間エネルギー取引（IET）を検討すること。
• 電力系統の混雑状況を反映させるために、局所的マージナル価格（LMP）を充電戦略に統合し、システムコストを低減すること。
• 中央集権的最適解に近い性能を達成しつつ、最小限の性能損失で計算効率の高い分散型ヒューリスティクスを開発すること。
• 現実的な電力系統環境下で、取引とLMP適応が利益最大化に与える影響を評価すること。

提案手法

• アグリゲーターの利益を最大化する目的で、エネルギー取引とLMPに基づく混雑コスト管理を組み込んだ非凸的で大規模なEV充電最適化問題を定式化する。
• 利益最大化のための最適な充電戦略を求めるために、集中型でモデル予測制御（MPC）に基づく反復的手法を開発する。
• オークションメカニズムを用いてアグリゲーター間エネルギー取引を可能にする分散型、アグリゲーター単位のヒューリスティクスを提案する。
• LMP適応を充電戦略に統合し、系統の混雑状況に応じて動的に反応し、システム全体のコストを低減する。
• ヒューリスティクスの性能をベンチマークするため、凸緩和法を用い、緩和された最適解から3.7%の差異を示した。
• 30,000台のEVを10個のアグリゲーターが管理する、修正版IEEE 118バス系統を用いて、72時間にわたる実際の条件を模擬する。

実験結果

リサーチクエスチョン

• RQ1 アグリゲーター内での協調的最適化にとどまらず、アグリゲーター間エネルギー取引（IET）が、アグリゲーターの利益を顕著に向上させるか？
• RQ2 局所的マージナル価格（LMP）の統合が、共同EV充電の利益性とシステム効率に与える影響は何か？
• RQ3 非凸的大規模EV充電最適化問題において、分散型ヒューリスティクスが中央集権的最適解の性能をどの程度近似できるか？
• RQ4 30,000台のEVと24時間の時間スロットを想定した規模において、提案手法のリアルタイム実装が計算的に可能か？
• RQ5 取引、LMP適応、中央集権的最適化といった異なる要素が、最終的な利益にどのように寄与するか？

主な発見

• IET（アグリゲーター間取引）とLMP適応を併用した本手法は、合計利益として134,295.10ドルを達成し、グリーディー充電手法（75,678.90ドル）と比較して21.8%の利益増加を実現した。
• 取引なしの「NoTrade」モードでは利益が110,269.80ドルにとどまり、エネルギー取引が利益増加に顕著に寄与していることが示された。
• 取引は可能だがLMP適応なしの「NoLMP」モードでは118,534.40ドルを達成し、LMP適応により混雑コストを管理することで利益がさらに向上していることが確認された。
• 分散型ヒューリスティクスは近似的最適性能を達成し、凸緩和問題の最適解からわずか3.7%の差異にとどまった。
• アルゴリズムは1イタレーションあたり9.13秒で実行され、全24時間スロットを6イタレーションで最適化可能であり、1時間スロットあたり1分未満で実行可能なリアルタイム実装が可能である。
• 充電パワーのダイナミクスは、電力料金が低い時間帯と強く一致しており、複数時間スロットにわたる最適化がエネルギーコスト削減に有効であることが確認された。