[論文レビュー] Distributed Optimal Vehicle Grid Integration Strategy with User Behavior Prediction

Yingqi Xiong, Bin Wang+2 more|arXiv (Cornell University)|Mar 13, 2017

Electric Vehicles and Infrastructure参考文献 9被引用数 4

ひとこと要約

本稿では、予測されたスマート充電および車両対グリッド（V2G）サービスを用いた予測スケジューリングにより、電気自動車（EVs）を電力グリッドに統合する分散最適化フレームワークを提案する。平均推定と線形回帰によるユーザー行動予測と、中央制御センターからの反復フィードバックを組み合わせることで、グリッドへの負荷を軽減し、ピーク負荷を低減するとともに、個々のドライバーのエネルギー需要を満たしつつ、全体のシステムコスト効率を向上させる。

ABSTRACT

With the increasing of electric vehicle (EV) adoption in recent years, the impact of EV charging activities to the power grid becomes more and more significant. In this article, an optimal scheduling algorithm which combines smart EV charging and V2G gird service is developed to integrate EVs into power grid as distributed energy resources, with improved system cost performance. Specifically, an optimization problem is formulated and solved at each EV charging station according to control signal from aggregated control center and user charging behavior prediction by mean estimation and linear regression. The control center collects distributed optimization results and updates the control signal, periodically. The iteration continues until it converges to optimal scheduling. Experimental result shows this algorithm helps fill the valley and shave the peak in electric load profiles within a microgrid, while the energy demand of individual driver can be satisfied.

研究の動機と目的

• 電気自動車（EV）の充電が電力グリッドの安定性に与える影響の増大に対処すること。
• EVを柔軟な分散エネルギー資源として活用する分散最適化戦略を開発すること。
• スマート充電およびV2Gサービスの統合により、システムコストパフォーマンスを向上させること。
• 平均推定と線形回帰を用いてユーザーの充電行動を予測し、能動的なスケジューリングを実現すること。
• グリッド全体の負荷変動を最小限に抑える一方で、個々のドライバーのエネルギー要件を満たすこと。

提案手法

• 中央集約制御センターからの制御信号に基づき、各EV充電ステーションで分散最適化問題を定式化する。
• ユーザーの充電行動を予測するため、平均推定と線形回帰を用い、最適化モデルへの入力として利用する。
• 各充電ステーションが局所最適スケジュールを計算し、結果を制御センターに報告する反復フィードバックループを採用する。
• 制御センターは結果を集約し、グローバルな制御信号を更新し、収束するまで反復処理を継続する。これにより、システム全体の最適解が得られる。
• スケーラビリティとプライバシー保護を保証する分散アルゴリズムを用いて最適化問題を解く。
• スマート充電およびV2Gサービスを統合し、双方向エネルギー移動と負荷バランスを可能にする。

実験結果

リサーチクエスチョン

• RQ1 グリッドのピークと谷を低減するために、EVの充電およびV2Gサービスをどのように最適にスケジューリングできるか。
• RQ2 ユーザーの充電行動予測が、EVスケジューリングの正確性と効率性をどの程度向上できるか。
• RQ3 分散最適化フレームワークは、個々のドライバーのエネルギー要件を尊重しつつ、システム全体のコスト最小化を達成できるか。
• RQ4 局所ステーションと中央制御センターとの間の反復フィードバックが収束性およびパフォーマンスに与える影響は。
• RQ5 提案された戦略が、全体のグリッド安定性およびエネルギーコスト効率に与える影響は。

主な発見

• 提案されたアルゴリズムは、マイクログリッドの電力負荷プロファイルにおける負荷ピークの低減と谷の埋め filling を成功裏に実現した。
• すべてのテストシナリオにおいて、ドライバー個々のエネルギー要件が一貫して満たされた。
• 反復的分散最適化プロセスは、最適スケジューリング解に収束した。
• ユーザー行動予測の統合により、スケジューリングの正確性とシステムコストパフォーマンスが向上した。
• 大規模なEV統合管理において、フレームワークはスケーラビリティと適応性を示した。
• スマート充電およびV2G機能を活用することで、グリッド効率が向上した。