[论文解读] Electric Vehicle Charge Scheduling on Highway Networks from an Aggregate Cost Perspective

Sean Anderson, Vineet Jagadeesan Nair|arXiv (Cornell University)|Jan 10, 2019

Electric Vehicles and Infrastructure被引用 5

一句话总结

本文提出了一种基于混合系统的最优充电调度框架，用于高速公路网络中的长距离纯电动汽车（BEVs），旨在最小化电网、充电站运营商和用户等多方的综合系统成本。通过整合车辆动力学、网络拓扑结构以及通过模型预测控制实现的实时功率分配，该方法能够在考虑动态约束和未来预测的前提下，实现协调且成本高效的充电。然而，计算复杂度限制了其在大规模网络中的可扩展性。

ABSTRACT

In this paper, we attempt to optimally schedule the charging of long-range battery electric vehicles (BEVs) along highway networks, in order to minimize aggregate costs to the overall system consisting of utilities or electricity providers, station operators and other infrastructure, as well as EV users. Thus, we approach the problem from the perspective of both customers (EV car owners), as well as charging station operators and utilities using a hybrid systems based formulation.

研究动机与目标

• 为填补现有电动汽车充电研究中仅优化单一利益相关方（如电网或用户）的空白，提出最小化整个系统的总成本。
• 开发一个统一的调度框架，协调多个利益相关方（电网、充电站运营商和电动汽车用户）的纯电动汽车充电行为。
• 通过混合系统建模方法，刻画车辆轨迹、充电站可用性与电网约束之间的复杂相互作用。
• 将车辆运动和充电需求的未来预测整合到一个移动时域优化框架中。
• 在真实的高速公路网络拓扑结构上，评估所提模型的可扩展性与计算可行性。

提出的方法

• 采用基于混合系统理论的方法建模电动汽车充电问题，将车辆运动与电池状态的连续动力学与离散切换逻辑相结合。
• 利用节点和边的索引对车辆在有向高速公路网络中的移动进行建模，当车辆抵达节点时触发切换条件。
• 在 YALMIP 中采用混合整数线性规划（MILP）公式，通过逻辑约束（如“蕴含”）确保边之间状态转换的正确性。
• 定义一个多目标成本函数，综合电网（电网负荷）、充电站运营商（容量与服务能力）以及电动汽车用户（充电时间和能源成本）的成本。
• 采用具有滚动时域的模型预测控制（MPC），利用对未来车辆到达和充电需求的预测，优化当前的充电决策。
• 采用时间离散化公式，使用较小的时间步长以确保车辆轨迹跟踪的准确性，并防止车辆越过节点。

实验结果

研究问题

• RQ1 如何在高速公路网络中对电动汽车充电进行调度，以最小化包括电网、充电站运营商和用户在内的整个系统的总成本？
• RQ2 预测时域长度对调度模型计算复杂度和解的精度有何影响？
• RQ3 时间步长和网络规模如何影响基于混合系统的优化方法的可行性与精度？
• RQ4 统一的成本函数能否有效平衡电动汽车充电中多个利益相关方之间的竞争目标？
• RQ5 对于高电动汽车渗透率的真实高速公路网络，该精确解法（如 Gurobi）在可扩展性方面存在哪些限制？

主要发现

• 随着预测时域延长，模型的计算复杂度显著上升，尤其在 Hp > 10 时，精确解法对大规模问题已不可行。
• 当电动汽车数量超过某一阈值后，其对计算的影响趋于平缓，表明预测时域长度比车辆数量更具瓶颈性。
• 更大的网络并未显著增加计算时间，但该模型尚未在大规模高速公路网络上进行测试。
• 为保持轨迹精度并防止车辆越过边，必须采用较小的时间步长，但这会扩大解空间并增加计算负担。
• 时间步长与预测时域长度之间存在根本性权衡：更小的步长需要更长的时域才能使车辆抵达终点节点，从而增加复杂度。
• 当前基于 Gurobi 的精确解法在时域或代理数量增加时难以扩展，表明未来工作需探索启发式替代方法。