[论文解读] Planning of Fast Charging Infrastructure for Electric Vehicles in a Distribution System and Prediction of Dynamic Price

K. Victor Sam Moses Babu, Pratyush Chakraborty+1 more|arXiv (Cornell University)|Jan 17, 2023

Electric Vehicles and Infrastructure被引用 18

一句话总结

本论文在33母线配电系统中使用改进的多目标粒子群算法（MOPSO）将五个1000 kW 快速充电站（EVCIs）进行最优放置，以最小化功率损耗和电压偏差，并使用 ARIMA 预测动态 EV 充电价格。

ABSTRACT

The increasing number of electric vehicles (EVs) has led to the need for installing public electric vehicle charging stations (EVCS) to facilitate ease of use and to support users who do not have the option of residential charging. The public electric vehicle charging infrastructures (EVCIs) must be equipped with a good number of EVCSs, with fast charging capability, to accommodate the EV traffic demand, which would otherwise lead to congestion at the charging stations. The location of these fast-charging infrastructures significantly impacts the distribution system (DS). We propose the optimal placement of fast-charging EVCIs at different locations in the distribution system, using multi-objective particle swarm optimization (MOPSO), so that the power loss and voltage deviations are kept at a minimum. Time-series analysis of the DS and EV load variations are performed using MATLAB and OpenDSS. We further analyze the cost benefits of the EVCIs under real-time pricing conditions and employ an autoregressive integrated moving average (ARIMA) model to predict the dynamic price. The simulated test system without any EVCI has a power loss of 164.36 kW and squared voltage deviations of 0.0235 p.u. Using the proposed method, the results obtained validate the optimal location of 5 EVCIs (each having 20 EVCSs with a 50kWh charger rating) resulting in a minimum power loss of 201.40 kW and squared voltage deviations of 0.0182 p.u. in the system. Significant cost benefits for the EVCIs are also achieved, and an R-squared value of dynamic price predictions of 0.9999 is obtained. This would allow the charging station operator to make promotional offers for maximizing utilization and increasing profits.

研究动机与目标

• 最小化配电系统中的功率损耗。
• 在放置 EVCIs 的同时尽量减小各母线的电压偏差。
• 展示时变负荷效应和动态定价对 EVCI 经济性的影响。
• 预测动态 EVCI 价格以实现促销策略和收入优化。

提出的方法

• 将 EVCI 放置建模为一个具有两个目标的优化问题，决策变量为 IEEE 33-bus 系统中 5 个 EVCI 的位置（每个 1000 kW），仅在母线 2..Nbus 上放置；变电站不允许放置。
• 使用改进的多目标粒子群优化（MOPSO）生成功率损耗和平方电压偏差的非支配帕累托前沿。
• 在每次 MOPSO 评估中结合正向-反向扫描（FBS）配电潮流以计算目标。
• 维护个人最佳档案和带拥挤距离的帕累托前沿以限制档案规模。
• 使用基于模糊隶属度的归一化在各目标之间选择最佳折衷解。
• 包含带随机 EV 到达和充电状态的时变负荷分析，使用 OpenDSS/MATLAB 进行时序仿真。
• 建模动态定价，其中 EVCI 价格为 EVCI_price = R_f + R_t，固定 R_f，按时段区分峰值、正常和非高峰期的 R_t；使用 ARIMA(p,d,q) 预测每日价格以预测价格。）

实验结果

研究问题

• RQ1 是否可以在一个 33 母线的配电系统中对五个 1000 kW 的 EVCIs 进行最优放置，以最小化功率损耗和电压偏差？
• RQ2 时变负荷和随机 EV 到达如何影响 EVCI 的最优选址及系统性能？
• RQ3 基于 ARIMA 的价格预测是否能提供可可靠的预测以支持 EVCI 的动态定价与盈利能力？
• RQ4 在现实电网价格和 EV 交通模式下，动态定价对 EVCIs 的经济影响（成本/收入）是多少？

主要发现

• 在母线 8、15、16、17、18 处找到的最优放置，在33母线系统中产生的功率损耗为 201.40 kW，平方电压偏差为 0.0182 p.u。
• 与没有 EVCIs 的基线情形（损耗 164.36 kW、偏差 0.0235 p.u.）相比，安装 5 个 EVCIs 减少了电压偏差，损耗略有增加，表明电压轮廓更为平衡。
• MOPSO 每次运行在 51 次迭代后收敛，最佳折衷解与迭代搜索结果匹配（损耗 201.40 kW 和 0.0182 p.u. 偏差）。
• 在 18 号母线处达到的最小母线电压为 0.9172 p.u.；在 32 号线处的最小线损为 0.0065 kW。
• 基于 ARIMA 的价格预测在动态 EVCI 价格预测中达到 R^2 = 0.9999。
• 在所给定定价模型下，每个 EVCI 的首日利润范围为 136 到 168（单位未指定）。