[논문 리뷰] Stochastic Distributed Control for Discrete Electric Vehicle Charging Optimization

Lingwen Gan, Ufuk Topcu외 1명|arXiv (Cornell University)|2014. 01. 29.

Electric Vehicles and Infrastructure참고 문헌 12인용 수 1

한 줄 요약

이 논문은 전기자동차(EV)의 이산적 충전 최적화를 위한 확률적 분산 알고리즘을 제안한다. 여기서 EV들은 중심 노드의 평균 부하 피드백에 따라 지도된 확률적 샘플링을 기반으로 반복적으로 자신의 충전 프로파일을 업데이트한다. 이 알고리즘은 거의 확실히 수렴하며, 하위 최적성의 경계가 O(1/N)로 설정되어 있으며, EV의 수에 따라 유리하게 스케일링된다.

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.

연구 동기 및 목표

• 배터리 보호 제약 조건 하에서 이산 전기자동차 충전 최적화 문제를 해결하기 위해.
• 중앙 집중식 전체 최적화 없이도 확장 가능하고 실시간으로 EV 간의 조율을 가능하게 하는 분산 알고리즘을 설계하기 위해.
• 정량화된 하위 최적성 경계를 갖는 근사 최적 균형에 수렴함을 보장하기 위해.
• EV의 수 N에 따른 솔루션의 확장성 분석하기 위해.

제안 방법

• 중심 노드가 각 반복마다 모든 연결된 EV들에게 전기 부하의 평균을 브로드캐스트한다.
• 각 EV는 수신한 평균 부하를 바탕으로 가능한 이산 충전 프로파일에 대한 확률 분포를 계산한다.
• EV들은 각자의 확률 분포에서 독립적으로 샘플링하여 현재 충전 프로파일을 업데이트한다.
• 균형 프로파일에 수렴할 때까지 반복 과정을 계속한다.
• 이 알고리즘은 이산 결정 공간을 다루기 위해 확률적 근사 기법을 활용한다.
• 마틴게일 및 르아프노프 기반 분석을 사용하여 거의 확실히 수렴을 증명한다.

실험 결과

연구 질문

• RQ1 배터리 제약 조건 하에서 분산 확률적 알고리즘이 이산 전기자동차 충전 최적화에서 근사 최적의 충전 프로파일로 수렴할 수 있는가?
• RQ2 균형 해의 하위 최적성 갭이 EV의 수 N에 따라 어떻게 스케일링되는가?
• RQ3 중심 노드는 전체 시스템 지식 없이 조율을 어떻게 가능하게 하는가?
• RQ4 알고리즘은 충전 프로파일의 이산성과 탈중앙화된 의사결정에 대해 강건한가?

주요 결과

• 알고리즘은 유한한 반복 횟수 내에 거의 확실히 균형 충전 프로파일로 수렴한다.
• 각 균형 프로파일은 O(1/N)로 경계된 하위 최적성 갭을 달성하며, 더 큰 차량 펌프에서 개선된다.
• 제안된 반복적 확률적 업데이트 메커니즘 하에서 수렴이 보장된다.
• 이 방법은 분산 계산과 근사 최적 성능 사이에 효과적으로 균형을 이룬다.
• 중심 노드가 평균 부하를 확산시켜 개별 EV의 데이터가 필요 없이도 조율이 가능해진다.