[论文解读] Optimal Charging of Electric Vehicles in Smart Grid: Characterization and Valley-Filling Algorithms

Niangjun Chen, Chee Wei Tan+1 more|arXiv (Cornell University)|Aug 23, 2012

Electric Vehicles and Infrastructure参考文献 12被引用 13

一句话总结

本文提出了一种去中心化的在线算法以及一种最优的离线谷值填充充电调度方案，用于智能电网中的电动汽车（EVs），利用凸对偶性实现近似最优性能，且计算成本显著低于集中式求解器。在IEEE 14节点系统上的仿真结果表明，该在线算法在各种条件下与离线最优解的相对差异小于1%。

ABSTRACT

Electric vehicles (EVs) offer an attractive long-term solution to reduce the dependence on fossil fuel and greenhouse gas emission. However, a fleet of EVs with different EV battery charging rate constraints, that is distributed across a smart power grid network requires a coordinated charging schedule to minimize the power generation and EV charging costs. In this paper, we study a joint optimal power flow (OPF) and EV charging problem that augments the OPF problem with charging EVs over time. While the OPF problem is generally nonconvex and nonsmooth, it is shown recently that the OPF problem can be solved optimally for most practical power networks using its convex dual problem. Building on this zero duality gap result, we study a nested optimization approach to decompose the joint OPF and EV charging problem. We characterize the optimal offline EV charging schedule to be a valley-filling profile, which allows us to develop an optimal offline algorithm with computational complexity that is significantly lower than centralized interior point solvers. Furthermore, we propose a decentralized online algorithm that dynamically tracks the valley-filling profile. Our algorithms are evaluated on the IEEE 14 bus system, and the simulations show that the online algorithm performs almost near optimality ($<1%$ relative difference from the offline optimal solution) under different settings.

研究动机与目标

• 为解决在智能电网网络中协调电动汽车充电以最小化发电与充电成本的挑战。
• 为在非凸且非光滑约束下联合最优潮流（OPF）与电动汽车充电调度问题，开发一种计算高效的解决方案。
• 将最优离线电动汽车充电配置表征为一种谷值填充模式，以最小化系统整体成本。
• 设计一种去中心化的在线算法，实现实时动态跟踪最优谷值填充配置。
• 在标准电力系统测试案例（IEEE 14节点系统）上，于多种运行设置下评估所提算法的性能。

提出的方法

• 基于最优潮流（OPF）问题的凸对偶性，采用嵌套优化方法对联合OPF与电动汽车充电问题进行分解，利用实际电力网络中的零对偶间隙特性。
• 将最优离线充电调度在数学上表征为一种谷值填充配置，即电动汽车在系统边际成本低且负荷低的时段集中充电。
• 基于谷值填充结构开发了一种集中式离线算法，相比内点法显著降低了计算复杂度。
• 提出一种去中心化的在线算法，通过本地信息与反馈机制，动态调整电动汽车充电速率以跟踪谷值填充配置。
• 在IEEE 14节点系统上实现并评估了所提算法，采用真实电动汽车充电特性与网络约束。
• 将性能与离线最优解进行对比，通过相对差异衡量近似最优性。

实验结果

研究问题

• RQ1 当与智能电网中的最优潮流集成时，最优离线电动汽车充电调度的结构形式是什么？
• RQ2 如何高效分解联合OPF与电动汽车充电问题，以降低计算复杂度？
• RQ3 去中心化的在线算法能否以最小性能损失跟踪最优谷值填充充电配置？
• RQ4 在不同系统条件下，所提在线算法与离线最优解之间的相对性能差距是多少？
• RQ5 与集中式内点求解器相比，所提方法在计算成本方面降低了多大程度？

主要发现

• 最优离线电动汽车充电调度被表征为一种谷值填充配置，即充电集中在系统边际成本低且负荷低的时段。
• 所提离线算法由于充分利用了谷值填充结构，其计算复杂度显著低于集中式内点求解器，同时实现最优性能。
• 所提去中心化在线算法在多个仿真场景下与离线最优解的相对差异小于1%。
• 该在线算法在不同电动汽车渗透率与负荷条件下均保持稳健性能，展现出强大的动态跟踪能力。
• 凸对偶性的应用使得OPF部分能够获得精确最优解，这对整体联合优化框架的有效性至关重要。
• 结果证实，谷值填充策略不仅最优，而且可通过轻量级去中心化算法实际实现。