[논문 리뷰] Distributed Optimal Vehicle Grid Integration Strategy with User Behavior Prediction

Yingqi Xiong, Bin Wang외 2명|arXiv (Cornell University)|2017. 03. 13.

Electric Vehicles and Infrastructure참고 문헌 9인용 수 4

한 줄 요약

이 논문은 예측 가능한 스마트 충전과 차량-전력망(V2G) 서비스를 통한 전기자동차(EV)의 전력망 통합을 위한 분산 최적화 프레임워크를 제안한다. 중심 제어 센터에서 제공하는 반복 피드백과 평균 추정 및 선형 회귀를 통한 사용자 행동 예측을 조합함으로써, 그리드의 부하를 줄이고 피크 부하를 감소시키며 개인 운전자들의 에너지 수요를 충족시키면서도 전체 시스템의 비용 효율성을 향상시킨다.

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.

연구 동기 및 목표

• 전기자동차(EV) 충전이 전력망 안정성에 미치는 영향이 점점 커지는 데 대응하기 위해.
• EV를 유연한 분산 에너지 자원으로 활용하는 분산 최적화 전략을 개발하기 위해.
• 스마트 충전과 V2G 서비스 통합을 통해 시스템 비용 성능을 향상시키기 위해.
• 평균 추정과 선형 회귀를 사용해 사용자 충전 행동을 예측하여 사전 스케줄링을 가능하게 하기 위해.
• 전체 그리드 부하 변동을 최소화하면서도 개인 운전자들의 에너지 수요를 충족시키기 위해.

제안 방법

• 중앙 집중식 통합 제어 센터에서 제공하는 제어 신호에 기반해 각 EV 충전소에서 분산 최적화 문제를 수립한다.
• 최적화 모델의 입력으로 사용하기 위해 사용자 충전 행동을 평균 추정과 선형 회귀를 통해 예측한다.
• 각 충전소가 국지 최적 스케줄을 계산하고 결과를 제어 센터에 보고하는 반복 피드백 루프를 구현한다.
• 제어 센터는 결과를 집계하고 전역 제어 신호를 업데이트하며, 수렴할 때까지 반복하여 전체 시스템 최적 해를 도출한다.
• 확장성과 개인정보 보호를 보장하는 분산 알고리즘을 사용해 최적화 문제를 해결한다.
• 양방향 에너지 흐름과 부하 균형을 가능하게 하기 위해 스마트 충전과 V2G 서비스를 모두 통합한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 그리드의 피크 부하를 줄이고 곡면을 메우기 위해 EV 충전과 V2G 서비스를 최적 스케줄링할 수 있는가?
• RQ2 사용자 충전 행동 예측은 EV 스케줄링의 정확성과 효율성에 얼마나 기여하는가?
• RQ3 분산 최적화 프레임워크는 개인 운전자 에너지 요구를 충족시키면서도 전체 시스템 비용을 최소화할 수 있는가?
• RQ4 국지 충전소와 중심 제어 센터 간의 반복 피드백은 수렴성과 성능에 어떤 영향을 미치는가?
• RQ5 제안된 전략은 전체 그리드 안정성과 에너지 비용 효율성에 어떤 영향을 미치는가?

주요 결과

• 제안된 알고리즘은 마이크로그리드의 전기 부하 프로파일에서 부하 피크를 성공적으로 줄이고 곡면을 메운다.
• 모든 시험 시나리오에서 개인 운전자들의 에너지 수요가 일관되게 충족된다.
• 반복적인 분산 최적화 과정은 최적 스케줄링 해로 수렴한다.
• 사용자 행동 예측 통합은 스케줄링 정확도와 시스템 비용 성능을 향상시킨다.
• 대규모 EV 통합을 관리하는 데 있어 프레임워크는 확장성과 적응성을 입증한다.
• 스마트 충전과 V2G 기능을 활용함으로써 그리드 효율성이 향상된다.