[論文レビュー] Stochastic Distributed Control for Discrete Electric Vehicle Charging Optimization

Lingwen Gan, Ufuk Topcu+1 more|arXiv (Cornell University)|Jan 29, 2014

Electric Vehicles and Infrastructure参考文献 12被引用数 1

ひとこと要約

本稿では、電気自動車（EV）の離散的充電最適化のための確率的分散アルゴリズムを提案する。EVは、中央ノードが提供する平均負荷フィードバックに従って確率的サンプリングを行うことで、反復的に充電プロファイルを更新する。このアルゴリズムは、ほぼ確実に均衡に収束し、サブ最適性が O(1/N) で抑えられ、EVの台数に応じてスケーラブルに動作する。

ABSTRACT

Abstract—Electric vehicles (EVs) should be charged with some given profile to protect its battery, making the optimal charging problem discrete. We propose a stochastic distributed algorithm to approximately solve the discrete optimization in an iterative procedure. In each iteration, a center node broadcasts the average electricity load per EV; this information is used by each EV to generate a probability distribution over its potential charging profiles; then EVs sample from the distributions to update their charging profiles. We prove that the algorithm converges almost surely to one of its equilibrium charging profiles in finite iterations, and each of its equilibrium charging profiles has a sub-optimality upper bounded that scales as O(1/N), where N is the number of EVs. Index Terms—distributed control, discrete optimization, stochastic algorithm, electric vehicle charging. I.

研究の動機と目的

• バッテリー保護制約下での離散的EV充電最適化の課題に対処すること。
• 中央集権的な完全最適化を必要とせず、スケーラブルかつリアルタイムなEV間の協調を可能にする分散アルゴリズムの設計。
• 定量的なサブ最適性バッファを伴う近似的最適均衡への収束を保証すること。
• EVの台数 N に応じたソリューションのスケーラビリティを分析すること。

提案手法

• 中央ノードが各イテレーションで、1台のEVあたりの平均電力負荷をすべての接続済みEVにブロードキャストする。
• 各EVは、受信した平均負荷をもとに、自身の実行可能な離散的充電プロファイル上の確率分布を計算する。
• EVは、それぞれの確率分布から独立にサンプリングし、現在の充電プロファイルを更新する。
• 反復的プロセスは、均衡プロファイルへの収束が達成されるまで継続される。
• 離散的意思決定空間を扱うために、確率的近似技術をアルゴリズムが活用する。
• 収束は、マルティンゲールおよびラプラシアンベースの解析を用いてほぼ確実に証明される。

実験結果

リサーチクエスチョン

• RQ1 バッテリー制約下での離散的EV充電最適化において、分散的確率的アルゴリズムが近似的最適な充電プロファイルへの収束を達成できるか？
• RQ2 均衡解のサブ最適性ギャップは、EVの台数 N とともにどのようにスケーリングされるか？
• RQ3 中央ノードは、全システムの詳細を把握しない状況で、どのように協調を可能にしているか？
• RQ4 アルゴリズムは、充電プロファイルの離散性および分散型意思決定に耐性を示せるか？

主な発見

• アルゴリズムは、有限反復回数内でほぼ確実に均衡充電プロファイルに収束する。
• 各均衡プロファイルは、O(1/N) で抑えられたサブ最適性ギャップを達成しており、EVの台数が増えるに従い改善する。
• 提案された反復的確率的更新メカニズムのもとで収束が保証される。
• この手法は、分散計算と近似的最適性能の両方を効果的にバランスさせる。
• 中央ノードが平均負荷を広報することで、個々のEVのデータを必要とせずに協調が可能になる。