Does Central Planning Fail Locally? Evaluating EV Charging Flexibility Optimization Across Grid Levels
作者: Ambra Van Liedekerke, Lorenzo Zapparoli, María Parajeles Herrera, Blazhe Gjorgiev, Gabriela Hug, Giovanni Sansavini
分类: eess.SY, physics.soc-ph
发布日期: 2026-07-27
备注: 16 pages, 8 figures
💡 一句话要点
提出双层优化方法以解决电动汽车充电灵活性问题
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 电动汽车 充电灵活性 电力系统 可再生能源 智能电网 优化方法 电价信号 电网管理
📋 核心要点
- 现有研究主要集中在电动汽车充电的传输或配电层面，缺乏两者的有效整合，导致在地方配电网中可能出现电压和负载问题。
- 本文提出了双层优化方法，分别从自上而下和自下而上的角度评估电动汽车充电灵活性，考虑电网约束和个体驾驶需求。
- 实验结果显示，自上而下的方法能够有效减少电网违规情况，而自下而上的方法则通过电价信号实现了与中心优化配置相似的充电轮廓。
📝 摘要（中文）
电动汽车（EV）是全球脱碳的重要推动力，其充电灵活性对于未来电力系统中可再生能源的高比例整合至关重要。现有研究主要集中在传输或配电层面，缺乏两者之间的整合。本文通过评估EV充电灵活性，提出了自上而下和自下而上的两种控制方法，解决了在国家传输层面优化的充电需求在地方配电网中可能引发的电压和负载问题。研究结果表明，自上而下的方法能够生成与个体驾驶行为兼容的充电计划，并减少与无控制充电相比的电网违规情况，而自下而上的方法则显示出电价信号作为协调机制的有效性。
🔬 方法详解
问题定义：本文旨在解决电动汽车充电灵活性在传输和配电层面之间的整合问题。现有方法在优化充电需求时未能考虑地方配电网的电压和负载限制，导致潜在的电网问题。
核心思路：论文提出了两种控制方法：自上而下的方法将中心化规划的充电需求分解到配电网，考虑电网约束和个体需求；自下而上的方法则在配电网约束下优化充电，利用电价信号进行协调。
技术框架：整体架构包括两个主要模块：首先是自上而下的充电需求分解模块，其次是自下而上的本地优化模块。两者的输出将进行比较，以评估其对电网的影响。
关键创新：本文的创新在于将传输层的中心化优化与配电层的本地优化相结合，形成了一个双层优化框架，能够有效减少电网违规情况。
关键设计：在自上而下的方法中，考虑了电网的电压和负载限制；在自下而上的方法中，使用电价信号作为协调机制，确保充电需求与电网条件相匹配。
🖼️ 关键图片
📊 实验亮点
实验结果表明，自上而下的方法生成的充电计划与个体驾驶行为兼容，电网违规情况减少了显著。而自下而上的方法则通过电价信号实现了与中心优化配置相似的充电轮廓，显示出良好的协调效果。
🎯 应用场景
该研究的潜在应用领域包括电动汽车充电基础设施的规划与管理、可再生能源的集成策略以及智能电网技术的优化。通过优化充电灵活性，可以提高电力系统的稳定性和可持续性，推动电动汽车的广泛应用。
📄 摘要（原文）
Electric vehicles (EVs) are a key enabler of global decarbonization, and their charging flexibility is crucial for integrating high shares of renewable energy into future power systems. Research on EV charging flexibility in future power systems has largely focused on either the transmission or the distribution level, with limited integration between the two. However, these two scales cannot be separated: EV charging optimized at the national transmission level for system-wide planning is ultimately activated in local distribution grids, where it may cause voltage and loading issues. This study bridges that gap by evaluating EV charging flexibility across both grid levels, using two different control approaches. First, a top-down approach disaggregates the optimal charging demand obtained from a centralized planner at the transmission grid down to the distribution grid, explicitly accounting for grid constraints and individual driving requirements. Second, a bottom-up approach optimizes EV charging locally under distribution-grid constraints using electricity price signals from the centralized planning model. Controlled charging from the top-down and bottom-up approaches is then compared with uncontrolled charging. Results show that the top-down approach produces EV charging schedules that are compatible with individual driving behavior and reduce grid violations compared to uncontrolled charging. The bottom-up approach identifies an optimal profile similar to the centrally optimized profile, showing that electricity price signals are a suitable coordination mechanism. These findings suggest that centrally optimized EV charging remains effective when implemented at the distribution level, in systems with high DER penetration.