[논문 리뷰] Model Predictive Control for Smart Grids with Multiple Electric-Vehicle Charging Stations

Ye Shi, Hoang Duong Tuan외 3명|arXiv (Cornell University)|2017. 08. 25.

Electric Vehicles and Infrastructure참고 문헌 21인용 수 7

한 줄 요약

이 논문은 다수의 충전 스테이션을 갖춘 스마트 그리드에서 전기자동차(EV) 충전 스케줄링과 전력 발전 제어를 위한 새로운 모델 예측 제어(MPC) 기반 접근법을 제안한다. 기존 연구와 달리 EV 도착 분포나 향후 수요에 대한 가정이 필요 없으며, 최적 전력 흐름 문제의 볼록 리 릴랙세이션을 풀어 전역 최적 해를 달성한다. IEEE 테스트 시스템을 활용해 실제 테슬라 모델 S EV 프로파일을 기반으로 검증하였다.

ABSTRACT

Next-generation power grids will likely enable concurrent service for residences and plug-in electric vehicles (PEVs). While the residence power demand profile is known and thus can be considered inelastic, the PEVs' power demand is only known after random PEVs' arrivals. PEV charging scheduling aims at minimizing the potential impact of the massive integration of PEVs into power grids to save service costs to customers while power control aims at minimizing the cost of power generation subject to operating constraints and meeting demand. The present paper develops a model predictive control (MPC)- based approach to address the joint PEV charging scheduling and power control to minimize both PEV charging cost and energy generation cost in meeting both residence and PEV power demands. Unlike in related works, no assumptions are made about the probability distribution of PEVs' arrivals, the known PEVs' future demand, or the unlimited charging capacity of PEVs. The proposed approach is shown to achieve a globally optimal solution. Numerical results for IEEE benchmark power grids serving Tesla Model S PEVs show the merit of this approach.

연구 동기 및 목표

• 다수의 전기자동차 충전 스테이션을 갖춘 스마트 그릭드에서 전기자동차 충전 비용과 전력 발전 비용을 동시에 최소화하는 데 도전한다.
• 불확실하고 무작위적인 전기자동차 도착 조건 하에서, 공동의 전기자동차 충전 스케줄링 및 전력 제어를 위한 계산 효율적이고 온라인 기반의 해법을 개발한다.
• 전기자동차 도착 분포, 향후 수요, 무제한 충전 용량에 대한 가정에 의존하지 않도록 한다.
• 전기자동차 도착 시간이나 부하 프로파일에 대한 사전 지식 없이도 전역 최적 해를 달성한다.
• 실제 주거용 및 전기자동차 부하 프로파일 하에서 표준 IEEE 전력 시스템 테스트 케이스를 활용해 접근법을 검증한다.

제안 방법

• 최적 전력 흐름(OPF) 제약 조건의 준선형화를 이용해 공동의 전기자동차 충전 스케줄링 및 전력 제어 문제를 볼록 최적화 문제로 수식화한다.
• 각 시간 단위에서 볼록 리 릴랙세이션된 OPF 문제를 반복적으로 풀어주는 새로운 MPC 기반 온라인 알고리즘을 적용한다. 이는 페널티 방법과 랭크-일치 복원 기법을 사용한다.
• 특히 대규모 시스템에 적합하게, 볼록 리 릴랙세이션 문제를 효율적으로 해결하기 위해 이중 비볼록 최적화 알고리즘(DNOA)을 활용한다.
• 랭크-일치 해를 강제하고 전역 최적의 전력 배분 및 충전 스케줄링을 복원하기 위해 페널티 파라미터 업데이트 전략을 사용한다.
• 실시간 전기자동차 도착 및 주거용 부하 데이터를 통합해 전력 발전 및 충전 할당을 동적으로 조정한다.
• 네 가지의 다른 주거용 부하 프로파일을 사용하여 IEEE 기준 테스트 시스템(Case9, Case14, Case30, Case118mod)을 활용해 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 모델 예측 제어 접근법이 전기자동차 도착 분포를 사전에 알지 못하는 조건에서도 공동의 전기자동차 충전 및 전력 발전 제어에 대해 전역 최적 해를 달성할 수 있는가?
• RQ2 제안된 MPC 기반 방법은 비용 및 계산 효율성 측면에서 오프라인 최적 해와 비교해 어떻게 성능을 발휘하는가?
• RQ3 다양한 주거용 부하 프로파일이 제안된 MPC 기반 제어 전략의 성능과 안정성에 어떤 영향을 미치는가?
• RQ4 이 방법은 제한된 전기자동차 충전 용량 및 시간에 따라 변하는 전기 요금과 같은 현실적인 제약 조건을 처리할 수 있는가?
• RQ5 온라인 MPC 접근법의 계산 복잡도는 오프라인 최적화 대비 시스템 크기에 따라 어떻게 증가하는가?

주요 결과

• 제안된 MPC 기반 방법은 오프라인 최적화가 제공하는 하한값에 대해 약 99.99% 내외의 목적 함수 값을 달성하여 근사 전역 최적성을 입증한다.
• 프로파일 2를 사용한 Case30에서 MPC 목적 함수 값은 4963.3이었고, 오프라인 최적 값인 4935.6과 비교해 99.43%의 최적성 비율을 달성했다.
• 모든 테스트 케이스에서 온라인 MPC 알고리즘이 전역 최적성을 달성했으며, Case9, Case14, Case30에서 준선형화(SDR)를 통한 하한값과 정확히 일치하는 최적 해를 도출했다.
• DNOA 알고리즘은 Case118mod와 같은 대규모 시스템의 경우 계산 시간을 크게 단축시켰으며, 표준 알고리즘 대비 363.5초 대비 1094.8초로 단축되었다.
• 모든 주거용 부하 프로파일에서 전압 프로파일이 안정적이고 매끄럽게 유지되어, 다양한 수요 조건 하에서도 견고한 시스템 운영이 가능함을 시사한다.
• 00:00 이후 전기자동차 충전 완료로 충전 부하가 급격히 감소했으며, 프로파일 3에서는 전기 요금 변화에 대한 부하 민감도가 관찰되었다.