Predictive Control of EV Overnight Charging with Multi-Session Flexibility
作者: Felix Wieberneit, Emanuele Crisostomi, Anthony Quinn, Robert Shorten
分类: eess.SY
发布日期: 2025-05-08
💡 一句话要点
提出基于MPC的多会话电动汽车充电预测控制，优化碳排放。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 电动汽车充电 模型预测控制 碳排放优化 多会话规划 智能电网
📋 核心要点
- 现有电动汽车充电控制通常假设每天早上必须充满电，限制了充电的灵活性，无法充分利用电网的低碳时段。
- 本文提出一种基于模型预测控制（MPC）的多会话充电策略，允许将充电任务分散到多个夜晚，从而更好地适应电网碳排放的变化。
- 实验结果表明，与传统单会话充电相比，该方法能够显著降低碳排放，降幅可达19%至26%，且减排效果受用户行为和地区能源结构影响。
📝 摘要（中文）
本文研究电动汽车（EV）夜间家庭充电的预测控制问题。考虑到用户对充电时间点的非敏感性，利用充电控制算法来灵活调度电力分配。与传统方法假设电动汽车每天早上都需要充满电不同，本文放宽了这一假设，允许将剩余能量的充电推迟到后续夜晚，从而增强了控制充电的性能。具体而言，本文使用模型预测控制（MPC），通过简单的家用智能插头，在多个会话（最多提前7天）的预测范围内调度电力输送，以最小化CO₂排放。基于英国国家电网的碳强度数据，结果表明，与不受控充电相比，多会话规划在减少排放方面具有显著潜力（40%至46%），与单会话规划相比，也有19%至26%的提升。此外，本文还评估了电动汽车用户的驾驶和充电行为如何影响可用灵活性以及减排潜力。最后，使用来自英国14个不同地区的电网碳强度数据，报告了基于当地能源结构的绝对减排量的显著变化。
🔬 方法详解
问题定义：本文旨在解决电动汽车夜间充电过程中的碳排放优化问题。现有方法通常假设电动汽车需要在每个充电会话结束时充满电，忽略了用户对充电时间的灵活性需求，导致无法充分利用电网低碳时段进行充电，从而增加了碳排放。
核心思路：本文的核心思路是放宽电动汽车必须在每个会话结束时充满电的约束，允许将充电任务分散到多个夜晚进行。通过预测未来多个会话的电网碳排放强度，并利用模型预测控制（MPC）算法，优化每个会话的充电量，从而在满足用户充电需求的前提下，最小化整体碳排放。
技术框架：该方法使用一个简单的家用智能插头作为控制执行器。整体流程如下：1) 收集电动汽车的充电需求信息（例如，剩余电量、目标电量、充电截止时间等）；2) 获取未来多个会话的电网碳排放强度预测数据；3) 利用MPC算法，根据充电需求和碳排放强度预测，计算每个会话的最优充电量；4) 通过智能插头控制电动汽车的充电过程。
关键创新：本文最重要的技术创新在于提出了多会话充电规划的概念，打破了传统单会话充电的限制。通过考虑未来多个会话的电网碳排放强度，可以更灵活地调度充电任务，从而更好地利用低碳电力，降低碳排放。此外，本文还分析了用户驾驶和充电行为对充电灵活性的影响，为进一步优化充电策略提供了依据。
关键设计：MPC算法的目标函数是最小化未来多个会话的总碳排放量。约束条件包括电动汽车的充电功率限制、充电时间限制以及最终的充电需求满足。预测horizon设置为最多提前7天。碳排放强度数据来自英国国家电网。实验中使用了来自14个不同英国地区的电网碳强度数据，以评估不同地区能源结构对减排效果的影响。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与不受控充电相比，本文提出的多会话充电策略能够显著降低碳排放，降幅可达40%至46%。与传统的单会话充电策略相比，也能实现19%至26%的减排。此外，实验还发现，不同地区的能源结构对减排效果有显著影响，使用可再生能源比例较高的地区，减排效果更为明显。
🎯 应用场景
该研究成果可应用于智能家居能源管理系统、电动汽车充电站运营优化以及电网调度策略制定。通过优化电动汽车的充电时间，可以降低碳排放，提高能源利用效率，并促进可再生能源的消纳。此外，该方法还可以为用户提供个性化的充电建议，帮助用户降低充电成本。
📄 摘要（原文）
The majority of electric vehicles (EVs) are charged domestically overnight, where the precise timing of power allocation is not important to the user, thus representing a source of flexibility that can be leveraged by charging control algorithms. In this paper, we relax the common assumption, that EVs require full charge every morning, enabling additional flexibility to defer charging of surplus energy to subsequent nights, which can enhance the performance of controlled charging. In particular, we consider a simple domestic smart plug, scheduling power delivery with the objective to minimize CO$_2$ emissions over prediction horizons of multiple sessions -- up to seven days ahead -- utilising model predictive control (MPC). Based on carbon intensity data from the UK National Grid, we demonstrate significant potential for emission reductions with multi-session planning of 40 to 46\% compared to uncontrolled charging and 19 to 26\% compared to single-session planning. Furthermore, we assess, how the driving and charging behaviour of EV users affects the available flexibility and consequentially the potential for emission reductions. Finally, using grid carbon intensity data from 14 different UK regions, we report significant variations in absolute emission reductions based on the local energy mix.