[论文解读] Clustering Consumption in Queues: A Scalable Model for Electric Vehicle Scheduling

Mahnoosh Alizadeh, George Kesidis+1 more|arXiv (Cornell University)|Apr 24, 2013

Electric Vehicles and Infrastructure参考文献 10被引用 4

一句话总结

本文提出了一种可扩展的基于聚类的电动汽车（EV）负荷调度模型，该模型根据用电模式将电动汽车充电需求划分为有限个聚类，从而实现高效的实时负荷跟踪。结合模型预测控制（MPC）调度器与启发式方法，该方法在保持严格的QoS保证的同时，实现了与ISO调度信号近乎零偏差的负荷跟随，且启发式方法在计算成本较低的情况下，于一分钟内即达到近似最优性能。

ABSTRACT

In this paper, we introduce a scalable model for the aggregate electricity demand of a fleet of electric vehicles, which can provide the right balance between model simplicity and accuracy. The model is based on classification of tasks with similar energy consumption characteristics into a finite number of clusters. The aggregator responsible for scheduling the charge of the vehicles has two goals: 1) to provide a hard QoS guarantee to the vehicles at the lowest possible cost; 2) to offer load or generation following services to the wholesale market. In order to achieve these goals, we combine the scalable demand model we propose with two scheduling mechanisms, a near-optimal and a heuristic technique. The performance of the two mechanisms is compared under a realistic setting in our numerical experiments.

研究动机与目标

• 开发一种可扩展、精确的聚合EV电能需求模型，兼顾简洁性与保真度。
• 实现实时EV车队调度，以跟踪独立系统运营商（ISO）提供的每小时内负荷跟随信号，同时维持严格的QoS保证。
• 通过提前购买恰好满足预测需求的批量电力，最小化市场成本。
• 在真实条件下评估最优（MPC）与启发式调度技术的性能。
• 证明对EV充电行为进行粗粒度聚类，可在无需完全控制单个充电速率的前提下，实现有效的系统级控制。

提出的方法

• 该模型基于能耗轮廓将EV充电任务分类为聚类，通过量化与分类近似聚合负荷行为。
• 每个聚类被分配一个代表性充电轮廓（编码），从而实现EV负荷动态的可扩展多描述建模。
• 模型预测控制（MPC）调度器通过求解整数规划问题，最小化与目标负荷轮廓 $P^{(k)}(t) + a(t)$ 的偏差，其中对每小时内偏差的惩罚权重提高10倍。
• 设计了一种计算成本低的启发式调度器，通过贪心选择聚类分配以最小化偏差。
• 通过1,000辆EV在12小时内的真实充电轮廓与风电预测误差的仿真，评估了两种调度器的性能。
• 风电跟随信号源自真实世界数据（Bonneville Power Administration），归一化为60 kWs容量，并在前9小时内应用。

实验结果

研究问题

• RQ1 将EV充电需求聚类为有限数量的行为类型，是否能够实现可扩展且准确的实时调度负荷建模？
• RQ2 在负荷跟随精度与计算成本方面，启发式调度方法在多大程度上可近似于模型预测控制（MPC）调度器的性能？
• RQ3 使用固定批量采购 $P^{(0)}(t)$ 与动态更新的批量采购 $P^{(k)}(t)$ 对启发式调度器性能有何影响？
• RQ4 在存在实时市场信号的情况下，该聚类方法在多大程度上能维持QoS保证并实现负荷跟随？
• RQ5 在存在真实风电预测误差与可变EV到达/离开模式的情况下，系统性能如何？

主要发现

• MPC调度器在12小时夜间周期内仅产生0.03 kWhs的总偏差，与目标负荷轮廓 $P^{(k)}(t) + a(t)$ 几乎完全一致。
• 尽管MPC运行时间超过一小时，而启发式调度器在不到一分钟内完成，其总偏差仍达13 kWhs，性能与MPC相当。
• 当使用固定批量采购 $P^{(0)}(t)$ 时，启发式方法在最后两个小时表现不佳，表明动态批量采购更新的重要性。
• 当采用自适应批量采购 $P^{(k)}(t)$ 更新时，启发式方法成功跟踪了目标轮廓 $P^{(k)}(t) + a(t)$，在真实条件下表现出色。
• 聚类模型有效降低了复杂度，同时保持了准确性，实现了无需完全控制单个EV充电速率的可扩展实时调度。
• 该模型对不确定性（如提前离场、聚类估计不精确、可变到达过程）具有鲁棒性，相关工作在论文中已提供支持。