[论文解读] Coordinated Electric Vehicle Charging Control with Aggregator Power Trading and Indirect Load Control

James J. Q. Yu, Junhao Lin+2 more|arXiv (Cornell University)|Aug 4, 2015

Electric Vehicles and Infrastructure参考文献 31被引用 11

一句话总结

本文提出了一种分布式、基于拍卖的启发式方法，用于协调电动汽车（EV）充电，支持聚合商之间的电能交易以及节点边际电价（LMP）适应，以最大化聚合商利润。通过整合电能交易与阻塞成本管理，该方法实现了近似最优性能——与贪婪充电相比，总利润提高了21.8%，同时保持了较低的计算开销（每次迭代9.13秒）。

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.

研究动机与目标

• 解决在协调充电框架下，多个电动汽车（EV）聚合商利润最大化的挑战。
• 探索聚合商间电能交易（IET）作为超越聚合商内部协调机制以提升盈利能力的手段。
• 将节点边际电价（LMP）整合到充电策略中，以反映电网阻塞情况并降低系统成本。
• 开发一种计算高效、分布式的启发式方法，以最小性能损失近似集中式最优解。
• 在真实的电力系统环境中，评估交易与LMP适应对利润最大化的实际影响。

提出的方法

• 构建一个非凸、大规模的电动汽车充电优化问题，以最大化聚合商利润，整合电能交易与基于LMP的阻塞成本管理。
• 开发一种基于模型预测控制（MPC）的集中式迭代方法，求解利润最大化的最优充电策略。
• 提出一种分布式、聚合商层级的启发式方法，利用基于拍卖的机制实现聚合商间的电能交易。
• 将LMP适应整合到充电策略中，以动态响应电网阻塞，降低系统整体成本。
• 采用凸松弛方法作为基准，评估启发式方法的性能，其与松弛最优解的差距为3.7%。
• 使用修改后的IEEE 118节点系统，包含10个聚合商服务30,000辆电动汽车，模拟72小时内的实际运行条件。

实验结果

研究问题

• RQ1 与仅依赖聚合商内部协调相比，聚合商间电能交易是否能显著提升聚合商利润？
• RQ2 将节点边际电价（LMP）整合到协调充电策略中，如何影响充电的盈利能力与系统效率？
• RQ3 在大规模、非凸的电动汽车充电优化问题中，分布式启发式方法在多大程度上能近似集中式最优解的性能？
• RQ4 在30,000辆电动汽车与24个时间断面的规模下，该策略在实时实现中的计算可行性如何？
• RQ5 不同组件——电能交易、LMP适应与集中式优化——对最终利润结果的影响如何？

主要发现

• 具备完整功能（IET + LMP适应）的所提方法实现了134,295.10美元的总利润，相比贪婪充电策略（75,678.90美元）提升了21.8%。
• 无交易模式（NoTrade，无聚合商间交易）仅实现110,269.80美元利润，表明电能交易对利润增益具有显著贡献。
• 无LMP模式（NoLMP，有交易但无LMP适应）实现118,534.40美元利润，表明LMP适应通过管理阻塞成本进一步提升了盈利能力。
• 分布式启发式方法实现了近似最优性能，与凸松弛问题最优解相比仅存在3.7%的差距。
• 算法每次迭代耗时9.13秒，六次迭代内完成全部24个时间断面的优化，实现每时间断面低于一分钟的实时处理能力。
• 充电功率动态与低电价高度一致，证实了多时间断面优化在降低能源成本方面的有效性。