[论文解读] Stochastic Distributed Control for Discrete Electric Vehicle Charging Optimization

Lingwen Gan, Ufuk Topcu+1 more|arXiv (Cornell University)|Jan 29, 2014

Electric Vehicles and Infrastructure参考文献 12被引用 1

一句话总结

本文提出了一种用于离散电动汽车（EV）充电优化的随机分布式算法，其中电动汽车基于中心节点提供的平均负荷反馈，通过概率采样迭代更新其充电计划。该算法以高概率收敛至一个均衡状态，次优性误差由 O(1/N) 限定，且随电动汽车数量 N 的增加而显著改善。

ABSTRACT

Abstract—Electric vehicles (EVs) should be charged with some given profile to protect its battery, making the optimal charging problem discrete. We propose a stochastic distributed algorithm to approximately solve the discrete optimization in an iterative procedure. In each iteration, a center node broadcasts the average electricity load per EV; this information is used by each EV to generate a probability distribution over its potential charging profiles; then EVs sample from the distributions to update their charging profiles. We prove that the algorithm converges almost surely to one of its equilibrium charging profiles in finite iterations, and each of its equilibrium charging profiles has a sub-optimality upper bounded that scales as O(1/N), where N is the number of EVs. Index Terms—distributed control, discrete optimization, stochastic algorithm, electric vehicle charging. I.

研究动机与目标

• 解决在电池保护约束下离散电动汽车充电优化的挑战。
• 设计一种分布式算法，实现在无需集中式完整优化的前提下，实现电动汽车之间的可扩展、实时协调。
• 确保收敛至近似最优均衡状态，并提供可量化的次优性边界。
• 分析该解决方案在电动汽车数量 N 方面的可扩展性。

提出的方法

• 在每次迭代中，中心节点向所有连接的电动汽车广播每辆电动汽车的平均电能负荷。
• 每辆电动汽车利用接收到的平均负荷，计算其可行离散充电计划集合上的概率分布。
• 电动汽车独立地从各自的概率分布中进行采样，以更新其当前充电计划。
• 迭代过程持续进行，直至收敛至均衡充电计划。
• 该算法利用随机逼近技术处理离散决策空间。
• 通过局部鞅和李雅普诺夫分析方法，证明了收敛性几乎必然成立。

实验结果

研究问题

• RQ1 在电池约束条件下，分布式随机算法能否实现在离散电动汽车充电优化中收敛至近似最优充电计划？
• RQ2 均衡解的次优性差距如何随电动汽车数量 N 变化？
• RQ3 中心节点在无需掌握完整系统信息的前提下，如何实现协调？
• RQ4 该算法对充电计划的离散特性及去中心化决策机制是否具备鲁棒性？

主要发现

• 该算法在有限次迭代内以高概率收敛至均衡充电计划。
• 每个均衡计划的次优性差距被 O(1/N) 限定，且随着车队规模增大而进一步改善。
• 在所提出的迭代随机更新机制下，收敛性可被保证。
• 该方法有效平衡了分布式计算与近似最优性能。
• 中心节点通过广播平均负荷信息，实现了协调，而无需获取单个电动汽车的详细数据。