[论文解读] Model Predictive Control for Smart Grids with Multiple Electric-Vehicle Charging Stations

Ye Shi, Hoang Duong Tuan+3 more|arXiv (Cornell University)|Aug 25, 2017

Electric Vehicles and Infrastructure参考文献 21被引用 7

一句话总结

本文提出了一种基于模型预测控制（MPC）的新方法，用于在具有多个充电站的智能电网中实现联合电动车辆（EV）充电调度与电力发电控制。与以往工作不同，该方法无需对EV到达分布或未来需求做出假设，并通过求解最优潮流（OPF）问题的凸松弛形式，实现了全局最优解。该方法在包含真实特斯拉Model S EV特性的IEEE测试系统上得到验证。

ABSTRACT

Next-generation power grids will likely enable concurrent service for residences and plug-in electric vehicles (PEVs). While the residence power demand profile is known and thus can be considered inelastic, the PEVs' power demand is only known after random PEVs' arrivals. PEV charging scheduling aims at minimizing the potential impact of the massive integration of PEVs into power grids to save service costs to customers while power control aims at minimizing the cost of power generation subject to operating constraints and meeting demand. The present paper develops a model predictive control (MPC)- based approach to address the joint PEV charging scheduling and power control to minimize both PEV charging cost and energy generation cost in meeting both residence and PEV power demands. Unlike in related works, no assumptions are made about the probability distribution of PEVs' arrivals, the known PEVs' future demand, or the unlimited charging capacity of PEVs. The proposed approach is shown to achieve a globally optimal solution. Numerical results for IEEE benchmark power grids serving Tesla Model S PEVs show the merit of this approach.

研究动机与目标

• 解决在具有多个EV充电站的智能电网中，同时最小化EV充电成本与电力发电成本的挑战。
• 开发一种计算高效、在线的联合EV充电调度与电力控制解决方案，适用于不确定、随机的EV到达情况。
• 消除对EV到达分布、未来需求或无限充电容量的假设依赖。
• 在无需事先知晓EV到达时间或负荷配置的情况下，实现全局最优解。
• 在标准IEEE电力系统测试案例上，基于真实住宅与EV负荷配置验证该方法。

提出的方法

• 通过最优潮流（OPF）约束的半定松弛（SDR）方法，将联合EV充电调度与电力控制问题建模为凸优化问题。
• 应用一种新颖的基于MPC的在线算法，通过惩罚法与秩一恢复技术，在每个时间步长迭代求解松弛后的OPF问题。
• 采用一种对偶非凸优化算法（DNOA）高效求解松弛问题，尤其适用于大规模系统。
• 采用惩罚参数更新策略以强制实现秩一解，从而恢复全局最优的电力调度与充电计划。
• 整合EV到达与住宅负荷的实时数据，动态调整电力发电与充电分配。
• 使用IEEE基准系统（Case9、Case14、Case30、Case118mod）与四种不同的住宅负荷配置验证该方法。

实验结果

研究问题

• RQ1 基于模型预测控制的方法是否能在不假设已知EV到达分布的情况下，实现联合EV充电与电力发电控制的全局最优解？
• RQ2 与离线最优解相比，所提出的MPC方法在成本与计算效率方面表现如何？
• RQ3 不同住宅负荷配置对所提出的MPC控制策略性能与稳定性有何影响？
• RQ4 该方法能否处理实际约束，如有限的EV充电容量与随时间变化的电价？
• RQ5 与离线优化相比，该在线MPC方法的计算复杂度如何随系统规模增长？

主要发现

• 所提出的MPC方法实现的目标值达到离线优化提供的下限的99.99%，表现出接近全局最优的性能。
• 在Case30与配置2下，MPC目标值为4963.3，而离线最优值为4935.6，实现99.43%的最优性比率。
• 在所有测试案例中，在线MPC算法均实现了全局最优，其最优解与Case9、Case14与Case30中半定松弛（SDR）的下限完全一致。
• DNOA算法显著降低了大规模系统（如Case118mod）的计算时间，仅用363.5秒，而标准算法耗时1094.8秒。
• 所有住宅负荷配置下，电压曲线保持稳定且平滑，表明系统在不同需求下具备鲁棒运行能力。
• 在00:00后，充电负荷因EV充电完成而迅速下降，且在配置3中观察到负荷对电价变化的敏感性。