[论文解读] Distributed Optimal Vehicle Grid Integration Strategy with User Behavior Prediction

Yingqi Xiong, Bin Wang+2 more|arXiv (Cornell University)|Mar 13, 2017

Electric Vehicles and Infrastructure参考文献 9被引用 4

一句话总结

本文提出了一种分布式优化框架，通过智能充电的预测调度与车网互动（V2G）服务，将电动汽车（EVs）整合到电网中。通过结合基于均值估计和线性回归的用户行为预测，以及来自中央控制中心的迭代反馈，该系统可最小化电网压力，降低峰值负荷，并满足个体驾驶员的能源需求，同时提高整体系统的成本效率。

ABSTRACT

With the increasing of electric vehicle (EV) adoption in recent years, the impact of EV charging activities to the power grid becomes more and more significant. In this article, an optimal scheduling algorithm which combines smart EV charging and V2G gird service is developed to integrate EVs into power grid as distributed energy resources, with improved system cost performance. Specifically, an optimization problem is formulated and solved at each EV charging station according to control signal from aggregated control center and user charging behavior prediction by mean estimation and linear regression. The control center collects distributed optimization results and updates the control signal, periodically. The iteration continues until it converges to optimal scheduling. Experimental result shows this algorithm helps fill the valley and shave the peak in electric load profiles within a microgrid, while the energy demand of individual driver can be satisfied.

研究动机与目标

• 解决电动汽车（EV）充电对电网稳定性日益增长的影响。
• 开发一种分布式优化策略，利用电动汽车作为灵活的分布式能源资源。
• 通过整合智能充电与V2G服务，提升系统成本性能。
• 使用均值估计与线性回归预测用户充电行为，以实现主动调度。
• 在最小化电网整体负荷波动的同时，确保满足个体驾驶员的能源需求。

提出的方法

• 基于来自中央聚合控制中心的控制信号，在每个电动汽车充电站制定分布式优化问题。
• 使用均值估计与线性回归预测用户充电行为，作为优化模型的输入。
• 采用迭代反馈机制，各充电站计算本地最优调度方案，并将结果上报至控制中心。
• 控制中心聚合结果，更新全局控制信号，并持续迭代，直至收敛至全局最优解。
• 采用分布式算法求解优化问题，确保系统的可扩展性与隐私保护。
• 整合智能充电与V2G服务，实现双向电能流动与负荷均衡。

实验结果

研究问题

• RQ1 如何最优调度电动汽车充电与V2G服务，以减少电网的峰值负荷并填补负荷低谷？
• RQ2 用户充电行为预测在多大程度上能提升电动汽车调度的准确性与效率？
• RQ3 分布式优化框架能否在尊重个体驾驶员能源需求的前提下实现系统级成本最小化？
• RQ4 本地站点与中央控制中心之间的迭代反馈如何影响收敛性与性能表现？
• RQ5 所提策略对整体电网稳定性与能源成本效率有何影响？

主要发现

• 所提出的算法成功降低了微电网电能负荷曲线中的负荷峰值，并填补了负荷低谷。
• 在所有测试场景中，个体驾驶员的能源需求均得到一致满足。
• 迭代式分布式优化过程收敛至最优调度解。
• 用户行为预测的整合显著提升了调度准确度与系统成本性能。
• 该框架在大规模电动汽车集成管理中展现出良好的可扩展性与适应性。
• 通过充分利用智能充电与V2G能力，系统显著提升了电网效率。