[논문 리뷰] Coordinated Electric Vehicle Charging Control with Aggregator Power Trading and Indirect Load Control

James J. Q. Yu, Junhao Lin외 2명|arXiv (Cornell University)|2015. 08. 04.

Electric Vehicles and Infrastructure참고 문헌 31인용 수 11

한 줄 요약

이 논문은 다수의 전기자동차(EV) 집합자 간의 에너지 거래와 위치별 마진 가격(LMP) 적응을 통해 집합자 수익을 극대화하는 분산형 경매 기반 휴리스틱을 제안한다. 에너지 거래와 혼잡 비용 관리 통합을 통해 이 접근법은 중앙집중식 최적 해에 근접한 성능을 달성하며, 탐욕적 충전 방식 대비 총 수익을 21.8% 증가시켰고, 계산 오버헤드는 낮게 유지(반복당 9.13초)하였다.

ABSTRACT

Due to the increasing concern for greenhouse gas emissions and fossil fuel security, electric vehicles (EVs) have attracted much attention in recent years. EVs can aggregate together constituting the vehicle-to-grid system. Coordination of EVs is beneficial to the power system in many ways. In this paper, we formulate a novel large-scale EV charging problem with energy trading in order to maximize the aggregator profit. This problem is non-convex and can be solved with a centralized iterative approach. To overcome the computation complexity issue brought by the non-convexity, we develop a distributed optimization-based heuristic. To evaluate our proposed approach, a modified IEEE 118 bus testing system is employed with 10 aggregators serving 30 000 EVs. The simulation results indicate that our proposed distributed heuristic with energy trading can effectively increase the total profit of aggregators. In addition, the proposed distributed optimization-based heuristic strategy can achieve near-optimal performance.

연구 동기 및 목표

• 다양한 전기자동차 집합자가 협동 충전 프레임워크 내에서 수익을 극대화하는 데 도전하는 문제를 해결하기 위해.
• 집합자 간 협동보다 더 높은 수익성을 달성하기 위해 집합자 간 에너지 거래(IET)를 메커니즘으로 탐색하기 위해.
• 계통 혼잡과 시스템 비용 감소를 고려하기 위해 위치별 마진 가격(LMP)을 충전 전략에 통합하기 위해.
• 중앙집중식 최적 해를 최소한의 성능 손실로 근사하는 계산 효율성이 높은 분산형 휴리스틱을 개발하기 위해.
• 실제 전력 시스템 환경에서 거래와 LMP 적응이 수익 극대화에 미치는 영향을 평가하기 위해.

제안 방법

• 에너지 거래와 LMP 기반 혼잡 비용 관리 기반으로 비볼록이며 대규모인 전기자동차 충전 최적화 문제를 수립하여 집합자 수익 극대화를 목표로 한다.
• 수익 극대화를 위한 최적 충전 전략을 해결하기 위해 중심집중식 모델 예측 제어(MPC) 기반 반복적 접근을 개발한다.
• 집합자 수준의 분산형 휴리스틱을 제안하며, 이는 경매 기반 메커니즘을 사용해 집합자 간 에너지 거래를 가능하게 한다.
• 충전 전략에 LMP 적응을 통합하여 계통 혼잡에 동적으로 대응하고 시스템 전반의 비용을 감소시킨다.
• 휴리스틱의 성능를 평가하기 위해 볼록 근사 접근법을 사용하며, 이는 근사 최적 해와 3.7%의 격차를 보인다.
• 10개의 집합자가 30,000台의 전기자동차를 운영하는 수정된 IEEE 118-bus 시스템을 사용해 72시간 동안 실제 환경을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 집합자 간 에너지 거래(IET)는 집합자 간 협동만을 고려한 경우에 비해 집합자 수익을 크게 향상시킬 수 있는가?
• RQ2 위치별 마진 가격(LMP) 통합은 협동 전기자동차 충전의 수익성과 시스템 효율성에 어떤 영향을 미치는가?
• RQ3 비볼록이며 대규모인 전기자동차 충전 문제에서 분산형 휴리스틱이 중심집중식 최적 해의 성능을 어느 정도 근사할 수 있는가?
• RQ4 30,000대의 전기자동차와 24개의 시간 슬롯을 고려할 때, 제안된 전략의 실시간 구현 가능성은 어떠한가?
• RQ5 거래, LMP 적응, 중심집중식 최적화 등의 다양한 구성 요소들이 최종 수익 결과에 어떤 영향을 미치는가?

주요 결과

• 전체 功能이 포함된 제안된 접근법(IET + LMP 적응)은 총 수익 134,295.10달러를 달성하여 탐욕적 충전 방식(75,678.90달러) 대비 21.8% 증가를 기록하였다.
• 거래 없음 모드(NoTrade)는 단지 110,269.80달러를 기록하여 에너지 거래가 수익 증가에 기여한다는 점을 시사한다.
• LMP 적응 없음 모드(NoLMP, 거래는 있으나 LMP 적응 없음)는 118,534.40달러를 달성하여 LMP 적응이 혼잡 비용을 관리함으로써 수익성을 추가로 향상시킨다는 점을 보여준다.
• 분산형 휴리스틱은 근사 최적 해와 3.7%의 격차만을 보이며 거의 최적 성능을 달성하였다.
• 알고리즘은 한 반복당 9.13초 내외로 실행되며, 6회의 반복 내에 24개의 시간 슬롯을 모두 최적화하여 실시간 적용이 가능함(시간 슬롯당 1분 이내).
• 충전 전력 동역학은 낮은 전기 요금과 강하게 일치함을 확인하였으며, 이는 다중 시간 슬롯 최적화가 에너지 비용 감소에 효과적이라는 점을 입증한다.