[论文解读] Online Coordinated Charging Decision Algorithm for Electric Vehicles without Future Information

Xiaoying Tang, Suzhi Bi+2 more|arXiv (Cornell University)|Oct 14, 2013

Electric Vehicles and Infrastructure参考文献 17被引用 7

一句话总结

本文提出 ORCHARD，一种面向电动汽车的在线协同充电算法，可在无未来信息的情况下最小化能源成本。该算法通过确保所有充电需求在截止时间前完成，保证了可行性，并实现了 2.39 的竞争比——迄今最佳结果。仿真结果表明，其平均性能差距为 14%，通过最优参数调优可进一步降低至 6%以下。

ABSTRACT

The large-scale integration of plug-in electric vehicles (PEVs) to the power grid spurs the need for efficient charging coordination mechanisms. It can be shown that the optimal charging schedule smooths out the energy consumption over time so as to minimize the total energy cost. In practice, however, it is hard to smooth out the energy consumption perfectly, because the future PEV charging demand is unknown at the moment when the charging rate of an existing PEV needs to be determined. In this paper, we propose an Online cooRdinated CHARging Decision (ORCHARD) algorithm, which minimizes the energy cost without knowing the future information. Through rigorous proof, we show that ORCHARD is strictly feasible in the sense that it guarantees to fulfill all charging demands before due time. Meanwhile, it achieves the best known competitive ratio of 2.39. To further reduce the computational complexity of the algorithm, we propose a novel reduced-complexity algorithm to replace the standard convex optimization techniques used in ORCHARD. Through extensive simulations, we show that the average performance gap between ORCHARD and the offline optimal solution, which utilizes the complete future information, is as small as 14%. By setting a proper speeding factor, the average performance gap can be further reduced to less than 6%.

研究动机与目标

• 设计一种面向插电式电动汽车（PEVs）的在线充电协调算法，无需知晓未来的 PEV 到达时间、充电需求或离站时间。
• 通过确保所有 PEV 在其截止时间前完成充电，严格保证可行性，假设需求配置可行。
• 在不确定性条件下最小化总能源成本，仅使用已到达 PEV 的实时信息。
• 在缺乏未来信息的情况下，实现接近离线最优解的竞争比。
• 通过一种新颖的低复杂度优化方法显著降低计算复杂度，同时保持性能。

提出的方法

• ORCHARD 算法使用加速因子 $ q $，根据当前负载和分时电价动态调整充电速率，模拟离线最优调度。
• 采用凸优化框架计算充电速率，以最小化总成本，同时满足每个 PEV 的约束条件：到达时间、离站时间、充电需求和最大充电速率。
• 该算法通过确保累计充电容量在每个 PEV 的截止时间前满足其需求，实现严格可行性。
• 简化复杂度的变体用简化计算流程替代标准凸优化，显著降低计算成本，同时保持接近最优的性能。
• 通过最坏情况性能分析，理论推导出竞争比，证明其上界为 2.39。
• 通过在多种交通场景下进行广泛仿真，评估 ORCHARD 的性能，与离线最优解及其他在线基线方法（AVG、EG、OA）进行比较。

实验结果

研究问题

• RQ1 在无法获取未来 PEV 信息的情况下，能否实现接近最优性能的在线充电算法以最小化能源成本？
• RQ2 在任意到达和需求模式下，严格可行的在线 PEV 充电算法所能达到的最佳竞争比是多少？
• RQ3 加速因子 $ q $ 的选择如何影响与离线最优解之间的平均性能差距？
• RQ4 能否在不牺牲性能的前提下显著降低在线 PEV 充电的计算复杂度？
• RQ5 在不同交通负载模式下，尤其是高峰需求条件下，该算法的性能如何变化？

主要发现

• ORCHARD 实现了 2.39 的竞争比，是目前无未来信息条件下在线 PEV 充电算法的最佳已知结果。
• 在所有测试场景中，ORCHARD 与离线最优解的平均性能差距为 14%。
• 通过适当调优加速因子 $ q $，平均性能差距可降低至 6% 以下。
• 在高负载且不可预测的交通场景中，设置 $ q = 2.3 $ 可使平均性能比降至 1.050，相比 $ q = 1.46 $ 提升 8%。
• ORCHARD 的性能始终优于基线在线算法（AVG、EG、OA），尤其在高波动性交通条件下表现更优。
• 简化复杂度的变体在显著降低计算开销的同时保持了强劲性能，适用于实时部署。