[论文解读] On-line Decentralized Charging of Plug-In Electric Vehicles in Power Systems

Qiao Li, Tao Cui+3 more|arXiv (Cornell University)|Jun 24, 2011

Electric Vehicles and Infrastructure参考文献 29被引用 49

一句话总结

该论文提出了一种面向插电式电动汽车（PEVs）的在线去中心化充电算法，仅利用当前系统状态实时最小化配电系统负载方差。该算法在无需未来预测的情况下实现了渐近最优性和稳定性，对随机驾驶模式和间歇性可再生能源发电等不确定性具有鲁棒性。

ABSTRACT

The concept of plug-in electric vehicles (PEV) are gaining increasing popularity in recent years, due to the growing societal awareness of reducing greenhouse gas (GHG) emissions, and gaining independence on foreign oil or petroleum. Large-scale deployment of PEVs currently faces many challenges. One particular concern is that the PEV charging can potentially cause significant impacts on the existing power distribution system, due to the increase in peak load. As such, this work tries to mitigate the impacts of PEV charging by proposing a decentralized smart PEV charging algorithm to minimize the distribution system load variance, so that a `flat' total load profile can be obtained. The charging algorithm is myopic, in that it controls the PEV charging processes in each time slot based entirely on the current power system states, without knowledge about future system dynamics. We provide theoretical guarantees on the asymptotic optimality of the proposed charging algorithm. Thus, compared to other forecast based smart charging approaches in the literature, the charging algorithm not only achieves optimality asymptotically in an on-line, and decentralized manner, but also is robust against various uncertainties in the power system, such as random PEV driving patterns and distributed generation (DG) with highly intermittent renewable energy sources.

研究动机与目标

• 解决大规模PEV充电对配电系统造成的峰值负载增加问题。
• 缓解高峰时段因无协调的PEV充电导致的潜在电网阻塞和电压问题。
• 开发一种去中心化、实时的充电策略，避免依赖对未来系统状态的预测。
• 实现平坦的负载曲线，以推迟昂贵的电网基础设施升级并降低系统损耗。
• 确保对不确定性（如可变的PEV驾驶模式和间歇性分布式发电）的鲁棒性。

提出的方法

• 采用李雅普诺夫优化框架，将PEV充电问题建模为最小化配电网络中负载方差的问题。
• 采用一种短视的在线算法，基于每辆车在每个时间槽的当前荷电状态（SoC）和系统状况，仅做出二元充电决策（充电或不充电）。
• 使用二次惩罚函数平衡负载方差最小化与充电成本，并通过对偶变量更新机制保证稳定性。
• 引入一个虚拟电能队列以跟踪充电进度，并强制执行能量交付和电池容量限制。
• 推导李雅普诺夫函数漂移的界，以证明在时变系统动态下具有渐近最优性和稳定性。
• 应用参考信号 $ U^{ ext{ref}}(n) $ 和充电偏移 $ C_i $ 实现无集中控制的充电协调。

实验结果

研究问题

• RQ1 一种去中心化、在线的充电算法是否能在不预测未来系统状态的情况下实现近似最优的负载方差减少？
• RQ2 在随机PEV到达时间和可变可再生能源发电等不确定性下，该算法表现如何？
• RQ3 该充电策略的长期最优性和稳定性可提供哪些理论保证？
• RQ4 该算法能否在多日时间内维持系统稳定性的同时最小化负载方差？
• RQ5 与基于预测的方法相比，该算法在鲁棒性和性能方面表现如何？

主要发现

• 所提出的算法在最小化负载方差方面实现了渐近最优性，随着天数 $ D \to \infty $，平均成本收敛至最优值。
• 该算法通过限制平均电池能量队列大小来确保稳定性，保证充电需求被满足且不违反容量约束。
• 理论分析证明，即使不了解未来系统动态，该算法的性能仍能收敛至最优解。
• 由于其短视和在线的特性，该算法对随机PEV驾驶模式和间歇性分布式发电等不确定性具有鲁棒性。
• 李雅普诺夫函数漂移的界确保了系统长期稳定，平均队列大小保持有界。
• 该方法实现了平坦的负载曲线，有效将PEV充电分散至非高峰时段，从而降低峰值负载和系统损耗。