[論文レビュー] Model Predictive Control for Smart Grids with Multiple Electric-Vehicle Charging Stations

Ye Shi, Hoang Duong Tuan+3 more|arXiv (Cornell University)|Aug 25, 2017

Electric Vehicles and Infrastructure参考文献 21被引用数 7

ひとこと要約

本稿では、複数の充電ステーションを備えたスマートグリッドにおける、統合的電気自動車（EV）充電スケジューリングおよび電力発電制御のための新規なモデル予測制御（MPC）ベースの手法を提案する。先行研究とは異なり、EVの到着分布や将来の需要に関する仮定を必要とせず、最適潮流問題の凸緩和を解くことで、グローバルに最適な解を達成する。実際のテスラ・モデルSのEVプロファイルを用いたIEEEテストシステムでの検証が行われた。

ABSTRACT

Next-generation power grids will likely enable concurrent service for residences and plug-in electric vehicles (PEVs). While the residence power demand profile is known and thus can be considered inelastic, the PEVs' power demand is only known after random PEVs' arrivals. PEV charging scheduling aims at minimizing the potential impact of the massive integration of PEVs into power grids to save service costs to customers while power control aims at minimizing the cost of power generation subject to operating constraints and meeting demand. The present paper develops a model predictive control (MPC)- based approach to address the joint PEV charging scheduling and power control to minimize both PEV charging cost and energy generation cost in meeting both residence and PEV power demands. Unlike in related works, no assumptions are made about the probability distribution of PEVs' arrivals, the known PEVs' future demand, or the unlimited charging capacity of PEVs. The proposed approach is shown to achieve a globally optimal solution. Numerical results for IEEE benchmark power grids serving Tesla Model S PEVs show the merit of this approach.

研究の動機と目的

• 複数のEV充電ステーションを有するスマートグリッドにおいて、EVの充電コストと電力発電コストの両方を最小化する課題に対処すること。
• 不確実でランダムなEVの到着を想定した状況下でも、計算効率が高くオンラインで実行可能な、統合的EV充電スケジューリングおよび電力制御の解決策を開発すること。
• EVの到着分布、将来の需要、無制限の充電容量に関する仮定に依存しないようにすること。
• EVの到着時刻や負荷プロファイルの事前知識がなくても、グローバルに最適な解を達成すること。
• 標準的なIEEE電力系統テストケース（Case9, Case14, Case30, Case118mod）を用い、住宅負荷およびEV負荷プロファイルの実際の条件下で手法を検証すること。

提案手法

• 最適潮流（OPF）制約の半定値緩和（SDR）を用いて、統合的EV充電スケジューリングおよび電力制御問題を凸最適化問題として定式化する。
• 各時刻で緩和されたOPF問題を繰り返し解く、新規なMPCベースのオンラインアルゴリズムを適用し、ペナルティ法とランク1回復を用いる。
• 特に大規模システムに適した、双対非凸最適化（DNOA）アルゴリズムを採用して、緩和問題を効率的に解く。
• ランク1の解を強制するためのペナルティパラメータの更新戦略を用い、グローバルに最適な電力配分および充電スケジュールを回復する。
• EVの到着および住宅負荷のリアルタイムデータを統合し、電力発電および充電割り当てを動的に調整する。
• 四種類の異なる住宅負荷プロファイルを用いて、IEEEベンチマークシステム（Case9, Case14, Case30, Case118mod）で手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 モデル予測制御（MPC）アプローチは、EVの到着分布が事前に分かっていない状況でも、統合的EV充電および電力発電制御のグローバル最適解を達成できるか？
• RQ2 提案手法のMPCベースのアプローチは、オフライン最適解と比較してコストと計算効率の点でどの程度の性能を示すか？
• RQ3 住宅負荷プロファイルの変動が、提案されたMPCベースの制御戦略の性能および安定性に与える影響は何か？
• RQ4 本手法は、EVの充電容量制限や時間変動する電力料金といった現実的な制約を処理できるか？
• RQ5 オンラインMPCアプローチの計算複雑度は、オフライン最適化と比較してシステムサイズの増加に伴いどのように変化するか？

主な発見

• 提案されたMPCベースの手法は、オフライン最適化が提供する下界の99.99％以内の目的値を達成し、ほぼグローバル最適性を示した。
• プロファイル2を用いたCase30において、MPCの目的値は4963.3であったのに対し、オフライン最適値は4935.6であり、99.43％の最適性比を達成した。
• すべてのテストケースにおいてオンラインMPCアルゴリズムがグローバル最適性を達成し、Case9, Case14, Case30では半定値緩和（SDR）による下界と一致した最適解が得られた。
• DNOAアルゴリズムにより、大規模システム（Case118mod）の計算時間が著しく短縮され、標準アルゴリズムの1094.8秒から363.5秒にまで短縮された。
• すべての住宅負荷プロファイルにおいて、電圧プロファイルが安定的かつ滑らかに保たれ、変動する需要下でもシステムの堅牢な運用を示した。
• 00:00以降、EVの充電が完了したため充電負荷が急激に低下した。また、プロファイル3では電力料金の変化に対する負荷感度が観察された。