Reserve Provision from Electric Vehicles: Aggregate Boundaries and Stochastic Model Predictive Control

📄 arXiv: 2406.07454v2 📥 PDF

作者: Jacob Thrän, Jakub Mareček, Robert N. Shorten, Timothy C. Green

分类: eess.SY

发布日期: 2024-06-11 (更新: 2025-02-17)

期刊: IEEE Transactions on Power Systems 2025

DOI: 10.1109/TPWRS.2025.3539863

💡 一句话要点

提出基于聚合边界和随机模型预测控制的电动汽车备用容量供应方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 电动汽车聚合 备用容量供应 随机模型预测控制 聚合边界预测 条件风险价值

📋 核心要点

  1. 电动汽车聚合面临个体驾驶行为预测难题，影响其提供电网服务的可靠性。
  2. 论文提出将多个电动汽车电池视为一个整体，通过聚合功率和能量边界来预测可用服务量。
  3. 实验表明，车队规模越大，预测精度越高，备用收入越高，运营成本越低，成本降低可达60%。

📝 摘要（中文）

电动汽车(EV)的受控充电是促进可变可再生能源整合和减少固定储能需求的潜在灵活性来源。为了利用电动汽车提供系统服务，车队聚合商必须解决个体驾驶和充电行为的不确定性。本文提出了一种预测电动汽车可用服务量的方法，将多个电动汽车电池视为一个具有聚合功率和能量边界的概念电池。聚合避免了预测个体驾驶行为的难题。使用多元线性回归模型验证了边界的可预测性，对于1000辆电动汽车的车队，其归一化均方根误差为20%-40%。采用两阶段随机模型预测控制算法，在日前基础上调度备用服务，通过在目标函数中包含条件风险价值来解决风险权衡问题。一项来自英国的120万条家用电动汽车充电记录的案例研究表明，增加车队规模可以提高预测精度，从而增加备用收入并降低聚合商的运营成本。对于400辆或以上的车队规模，与不受控充电相比，成本降低稳定在60%，平均每辆车提供1.8千瓦的备用容量。

🔬 方法详解

问题定义：论文旨在解决电动汽车车队聚合商在提供电网备用服务时，由于个体电动汽车驾驶和充电行为的不确定性，难以准确预测可用服务容量的问题。现有方法难以有效处理这种不确定性，导致备用服务供应不稳定，影响电网的可靠性。

核心思路：论文的核心思路是将多个电动汽车的电池视为一个整体，通过聚合其功率和能量边界来预测可用服务容量。这种聚合方法避免了对个体电动汽车驾驶行为的精确预测，转而关注整体的可用容量范围。

技术框架：论文采用两阶段随机模型预测控制(SMPC)算法。第一阶段，利用多元线性回归模型预测聚合的功率和能量边界。第二阶段，基于预测的边界，使用SMPC算法在日前基础上调度备用服务，目标函数中包含条件风险价值(CVaR)来权衡风险。整体流程包括数据收集、边界预测、SMPC优化和备用服务调度。

关键创新：论文的关键创新在于将电动汽车车队视为一个聚合的虚拟电池，并使用聚合边界来预测可用服务容量。这种方法简化了预测过程，提高了预测的鲁棒性。此外，使用SMPC算法并结合CVaR，能够在风险控制的前提下优化备用服务调度。

关键设计：多元线性回归模型用于预测聚合边界，其输入特征包括历史充电数据、天气信息等。SMPC算法的目标函数包括备用服务收入、运营成本和CVaR惩罚项。CVaR的置信水平是一个关键参数，用于控制风险偏好。案例研究使用了来自英国的120万条家用电动汽车充电记录，验证了该方法的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，随着车队规模的增加，预测精度显著提高，备用服务收入也随之增加。对于400辆或以上的车队规模，与不受控充电相比，成本降低稳定在60%，平均每辆车提供1.8千瓦的备用容量。多元线性回归模型实现了20%-40%的归一化均方根误差，验证了聚合边界的可预测性。

🎯 应用场景

该研究成果可应用于电动汽车聚合商参与电网备用服务市场，提高可再生能源的整合能力，降低电网运行成本。通过更精确的容量预测和风险控制，聚合商可以更可靠地提供备用服务，从而获得更高的收益。此外，该方法还可扩展到其他分布式能源聚合场景，如储能系统和需求侧响应。

📄 摘要（原文）

Controlled charging of electric vehicles, EVs, is a major potential source of flexibility to facilitate the integration of variable renewable energy and reduce the need for stationary energy storage. To offer system services from EVs, fleet aggregators must address the uncertainty of individual driving and charging behaviour. This paper introduces a means of forecasting the service volume available from EVs by considering several EV batteries as one conceptual battery with aggregate power and energy boundaries. Aggregation avoids the difficult prediction of individual driving behaviour. The predictability of the boundaries is demonstrated using a multiple linear regression model which achieves a normalised root mean square error of 20% - 40% for a fleet of 1,000 EVs. A two-stage stochastic model predictive control algorithm is used to schedule reserve services on a day-ahead basis addressing risk trade-offs by including Conditional Value-at-Risk in the objective function. A case study with 1.2 million domestic EV charge records from Great Britain illustrates that increasing fleet size improves prediction accuracy, thereby increasing reserve revenues and decreasing an aggregator's operational costs. For fleet sizes of 400 or above, cost reductions plateau at 60% compared to uncontrolled charging, with an average of 1.8kW of reserve provided per vehicle.