[논문 리뷰] Clustering Consumption in Queues: A Scalable Model for Electric Vehicle Scheduling

Mahnoosh Alizadeh, George Kesidis외 1명|arXiv (Cornell University)|2013. 04. 24.

Electric Vehicles and Infrastructure참고 문헌 10인용 수 4

한 줄 요약

이 논문은 전기자동차(EV) 부하 스케줄링를 위한 확장 가능한 군집 기반 모델을 제안한다. 이 모델은 소비 패턴에 기반해 EV 충전 수요를 유한한 군집으로 분류함으로써 효율적인 실시간 부하 따라하기를 가능하게 한다. 모델 예측 제어(MPC) 스케줄러와 히우리스틱 방법을 사용하여, ISO의 디스패치 신호에서 거의 0에 가까운 편차를 달성하면서도 딱딱한 QoS 보장을 유지한다. 히우리스틱 방법은 낮은 계산 비용에도 불구하고 1분 이내에 거의 최적의 성능을 달성한다.

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.

연구 동기 및 목표

• 단순성과 정밀도를 균형 잡은 확장 가능한 집합적 EV 전기 수요 모델을 개발하는 것.
• 독립 시스템 운영자(ISO)로부터 제공하는 시간 내 부하 따라기 신호를 실시간으로 따르면서도 딱딱한 품질보증(QoS) 보장을 유지할 수 있는 EV 허브 스케줄링을 가능하게 하는 것.
• 예측된 수요에 맞추어 정확히 충분한 양의 대량 전력을 사전에 확보하여 시장 비용을 최소화하는 것.
• 실제 조건 하에서 최적(MPC) 및 히우리스틱 스케줄링 기법의 성능을 평가하는 것.
• 세분적인 제어 없이도 개별 충전 속도를 완전히 제어하지 않더라도, EV 충전 행동의 군집화가 체계 수준 제어에 효과적으로 기여할 수 있음을 보여주는 것.

제안 방법

• 모델은 에너지 소비 프로파일에 기반해 EV 충전 작업을 군집으로 분류하며, 양자화 및 분류 기법을 사용해 집합적 부하 행동을 근사한다.
• 각 군집은 대표 충전 프로파일(코드)를 할당받아 EV 부하 역학의 확장 가능한 다중 기술 모델링을 가능하게 한다.
• 모델 예측 제어(MPC) 스케줄러는 정수계획문제를 풀어 목표 부하 프로파일 $P^{(k)}(t) + a(t)$에서의 편차를 최소화하며, 시간 내 편차에 대한 보상은 10배로 가중치를 높였다.
• 낮은 계산 비용을 위해 설계된 히우리스틱 스케줄러는 편차를 최소화하기 위해 군집 할당을 탐욕적으로 선택한다.
• 두 스케줄러의 성능은 실질적인 충전 프로파일과 바람 예측 오차를 반영한 1,000台의 EV에 대한 12시간 시뮬레이션을 통해 평가되었다.
• 바람 따라기 신호는 실질적인 데이터(Bonneville Power Administration)에서 유도되었으며, 60 kWs 용량으로 정규화되어 첫 9시간 동안 적용되었다.

실험 결과

연구 질문

• RQ1 유한한 수의 행동 유형으로 EV 충전 수요를 군집화하는 것이 실시간 스케줄링을 위한 확장 가능하고 정확한 부하 모델링을 가능하게 할 수 있는가?
• RQ2 히우리스틱 스케줄링 방법이 부하 따라기 정확도와 계산 비용 측면에서 모델 예측 제어(MPC) 스케줄러 성능을 얼마나 잘 근사할 수 있는가?
• RQ3 고정된 대량 구매 $P^{(0)}(t)$를 사용할 경우와 업데이트된 $P^{(k)}(t)$를 사용할 경우 히우리스틱 스케줄러 성능에 어떤 영향을 미치는가?
• RQ4 실시간 시장 신호가 존재하는 상황에서 군집화 방법이 QoS 보장을 유지하면서도 부하 따라기 기능을 얼마나 잘 수행하는가?
• RQ5 실제 바람 예측 오차와 변동하는 EV 도착/이용 패턴 하에서 시스템은 어떤 성능을 보이는가?

주요 결과

• MPC 스케줄러는 12시간 야간 기간 동안 총 편차가 0.03 kWhs에 불과하여 목표 부하 프로파일 $P^{(k)}(t) + a(t)$에서 거의 0에 가까운 편차를 달성했다.
• 히우리스틱 스케줄러는 MPC보다는 약간 낮은 편차(총 13 kWhs)를 기록했지만, MPC가 1시간 이상 소요되는 데 비해 1분 이내에 실행되어 매우 낮은 계산 비용으로도 유사한 성능을 달성했다.
• 고정된 대량 구매 $P^{(0)}(t)$를 사용할 경우, 히우리스틱 방법은 마지막 두 시간 동안 성능이 떨어졌으며, 이는 적응형 대량 구매 업데이트의 중요성을 시사한다.
• 적응형 대량 구매 $P^{(k)}(t)$로 업데이트된 히우리스틱 방법은 목표 프로파일 $P^{(k)}(t) + a(t)$를 성공적으로 따라갔으며, 현실적인 조건 하에서도 뛰어난 성능을 보였다.
• 군집 모델은 복잡성을 효과적으로 줄였고 정확도를 유지하여, 개별 EV 충전 속도에 대한 완전한 제어 없이도 확장 가능한 실시간 스케줄링을 가능하게 했다.
• 조기 퇴거, 정확하지 않은 군집 추정치, 변동하는 도착 프로세스 등의 불확실성에도 모델이 강건함을 입증하였으며, 논문에서 인용된 관련 연구들이 이를 뒷받침한다.