[论文解读] A Dynamic Algorithm for Facilitated Charging of Plug-In Electric Vehicles

Nicole Taheri, Robert Entriken+1 more|arXiv (Cornell University)|Dec 3, 2011

Electric Vehicles and Infrastructure参考文献 7被引用 5

一句话总结

本文提出了一种针对插电式电动汽车（PEVs）车队的动态、自动化需求响应算法，该算法基于历史驾驶模式调整每小时电价，以调度充电。该方法确保峰值负荷增加为0%，与标准充电相比，消费者成本降低30%以上，同时保证所有车辆均被完全充电，且在实时运行中满足电网约束条件，每支车队的计算时间低于一分钟。

ABSTRACT

Plug-in Electric Vehicles (PEVs) are a rapidly developing technology that can reduce greenhouse gas emissions and change the way vehicles obtain power. PEV charging stations will most likely be available at home and at work, and occasionally be publicly available, offering flexible charging options. Ideally, each vehicle will charge during periods when electricity prices are relatively low, to minimize the cost to the consumer and maximize societal benefits. A Demand Response (DR) service for a fleet of PEVs could yield such charging schedules by regulating consumer electricity use during certain time periods, in order to meet an obligation to the market. We construct an automated DR mechanism for a fleet of PEVs that facilitates vehicle charging to ensure the demands of the vehicles and the market are met. Our dynamic algorithm depends only on the knowledge of a few hundred driving behaviors from a previous similar day, and uses a simple adjusted pricing scheme to instantly assign feasible and satisfactory charging schedules to thousands of vehicles in a fleet as they plug-in. The charging schedules generated using our adjusted pricing scheme can ensure that a new demand peak is not created and can reduce the consumer cost by over 30% when compared to standard charging, which may also increase peak demand by 3.5%. In this paper, we present our formulation, algorithm and results.

研究动机与目标

• 设计一种自动化、可扩展的需求响应机制，用于大规模PEV车队，以平衡消费者成本与电网稳定性。
• 最小化因非协调的PEV充电导致的峰值功率需求增加，此类增加可能使电网失稳。
• 通过实时调整定价优化充电调度，降低消费者充电成本。
• 在车辆插电时立即为成千上万辆车辆分配可行的充电计划，无需预先知晓未来车辆连接情况。
• 确保所有车辆均被完全充电，同时遵守市场设定的负荷上限和电网约束条件。

提出的方法

• 该算法利用前一天相似时间段内少量历史驾驶行为（数百个）预测当前车队的充电需求。
• 基于市场负荷上限、车辆能量需求和电池充电状态，为每个小时计算约束调整后的电价。
• 由中心化聚合器通过一种快速、可扩展的聚合线性规划（CLP）求解，单台工作站内计算时间低于一分钟。
• 每辆车辆根据调整后的电价获得即时充电计划，确保充电时段的可行性与成本效益。
• 系统作为一项“自愿参与”服务运行，车辆插电后自动调度，无需人工干预。
• 该机制通过将负荷增长上限设为0%，即使在高PEV渗透率（例如33%的家庭）下，也能防止新增峰值需求。

实验结果

研究问题

• RQ1 能否通过一种动态、自动化的定价机制，在不增加峰值功率需求的前提下，为大规模PEV车队调度充电？
• RQ2 与标准充电或最低成本充电方法相比，此类机制在降低消费者充电成本方面能达到何种程度？
• RQ3 当仅依赖来自数百辆车辆的历史驾驶数据时，该算法的性能表现如何？
• RQ4 该系统能否在确保所有车辆均被完全充电的同时，维持电网稳定并满足市场负荷上限？
• RQ5 该算法在实时部署中对10,000辆以上车队的可扩展性与效率如何？

主要发现

• 约束调整定价完全消除了峰值功率需求的增加（0%增长），而标准充电使峰值需求上升3.5%，最低成本充电则上升9.8%。
• 与标准充电相比，消费者充电成本降低了30%以上，其成本效率与最低成本充电相当。
• 在模拟中，电网总用电量最小化至230.7–231.5 MWh，且汽油使用量未增加。
• 用于计算调整后电价的聚合线性规划（CLP）在不到一分钟内求解完成，实现了实时可扩展性。
• 该机制在所有测试的负荷上限条件下（100%和75%的峰值），成功防止了新的需求高峰，同时确保所有车辆均被完全充电。
• 在成本降低、峰值需求控制与能效平衡方面，约束调整定价优于所有其他替代方案。