[论文解读] An EV Charging Scheduling Mechanism to Maximize User Convenience and Cost Efficiency

Hwei-Ming Chung, Bahram Alinia+2 more|arXiv (Cornell University)|Jun 3, 2016

Electric Vehicles and Infrastructure参考文献 10被引用 5

一句话总结

本文提出一种集中式在线电动汽车充电调度算法，通过双目标优化与短期负荷预测，在微电网中联合优化总充电成本与用户便利性。该方法实现了最优成本与近似最优用户便利性，与以往方法相比，平均充电时间减少36%，同时负荷预测准确率提升4.1%。

ABSTRACT

This paper studies charging scheduling problem of electric vehicles (EVs) in the scale of a microgrid (e.g., a university or town) where a set of charging stations are controlled by a central aggregator. A bi-objective optimization problem is formulated to jointly optimize total charging cost and user convenience. Then, a close-to-optimal online scheduling algorithm is proposed as solution. The algorithm achieves optimal charging cost and is near optimal in terms of user convenience. Moreover, the proposed method applies an efficient load forecasting technique to obtain future load information. The algorithm is assessed through simulation and compared to the previous studies. The results reveal that our method not only improves previous alternative methods in terms of Pareto-optimal solution of the bi-objective optimization problem, but also provides a close approximation for the load forecasting.

研究动机与目标

• 填补现有电动汽车充电调度研究中仅单独优化成本或用户便利性的空白，而非联合优化两者。
• 为微电网中由中央聚合器管理多个充电站的电动汽车充电问题，建立双目标优化问题。
• 开发一种近似最优的在线调度算法，满足电力约束条件，在不牺牲成本效率的前提下提升用户便利性。
• 集成可靠的短期负荷预测技术（ARIMA），以预测未来负荷，防止电网过载。
• 在不同权重参数下评估成本最小化与用户便利性最大化的权衡关系。

提出的方法

• 将总充电成本与用户便利性相结合，构建双目标优化问题，其中用户便利性由电池荷电状态（SOC）与总充电时间定义。
• 采用加权求和法将两个目标合并为单一标量度量，通过可调参数 α 平衡成本与便利性。
• 基于EDF（最早截止时间优先）策略实现在线调度算法，优先处理截止时间最早的电动汽车，并在可行时以最大速率充电。
• 采用季节性ARIMA模型进行短期负荷预测，以预测未来电网负荷，确保调度不超出可用容量。
• 采用集中式控制框架，由聚合器收集电动汽车的到达时间、截止时间与电能需求，计算最优充电调度。
• 利用CVX求解凸优化问题，确保计算效率并收敛至近似最优解。

实验结果

研究问题

• RQ1 在微电网环境下，如何联合优化电动汽车充电调度的总充电成本与用户便利性？
• RQ2 负荷预测在多大程度上能提升电动汽车充电调度算法的性能与可靠性？
• RQ3 成本最小化与用户便利性最大化的权衡关系如何？如何实现平衡解？
• RQ4 所提出的算法与仅优化成本或仅优化便利性的现有方法相比表现如何？
• RQ5 所提出方法是否能在保持最优成本的同时，减少平均充电时间并实现近似最优的便利性？

主要发现

• 所提算法实现了最优充电成本，与文献[6]中成本最小化方法性能相当，同时显著提升了用户便利性。
• 由于采用基于EDF的策略优先完成早期任务，与[6]和[9]中的方法相比，平均充电时间减少了36%。
• 基于ARIMA的负荷预测方法实现2.67%的预测误差，相比[6]中使用的“前一日平均法”（误差6.77%）提升了4.1%。
• 当 α = 0.5（权重相等）时，所提方法在综合指标 Q 上优于[6]和[9]，体现平衡优势。
• 随着 α 增大至1（成本主导），所提方法性能趋近于[6]，证实其成本最优性。
• 预测方法确保预测负荷始终低于实际负荷，提升了电网稳定性与可靠性，而此前的“前一日平均法”则不具备此特性。