面向分布式电网的移动性感知协同电动汽车充电可扩展优化

电动汽车（EV）充电需求的快速增长正在给分布式电网（DPN）带来压力，其承载能力往往受限且在空间上不均衡。除证明协调有益外，本文回答了一个对规划者至关重要的开放性问题：EV需求灵活性在降低区域范围内因过载导致的电网升级方面能实现的最大收益是什么？建立此上限具有计算上的挑战，因为需要求解并证明具有数百万变量、且具有空间和时间耦合的大规模优化问题的近最优解。我们提出了MAC（Mobility-Aware Coordinated EV charging，移动性感知协同电动汽车充电）框架，量化了利用EV需求灵活性来缓解DPN过载风险的最大潜力，而无需中断驾驶者的出行需求。（i）MAC通过在完整移动性时程范围内耦合充电决策来扩大可行调度范围：而不是强制执行每个会话的能量恢复，它仅要求EV状态荷电（SOC）足以满足 upcoming trips。（ii）MAC通过基于ADMM的分解具有计算可扩展性，并配合定制子问题求解器，容许在分解层面上解释，使得二次变量充当位置-时间价格信号，实现社会最优作为竞争性均衡。我们采用未来情景下以旧金山湾区为例的30% EV渗透率情景，结合高分辨率移动轨迹和配电器 hosting-capacity 数据，表明MAC相对于无管理充电可显著降低因过载导致的升级需求。本文说明，轨迹耦合的灵活性和可扩展、可证明的优化为DPN规划和运行提供了可操作的最坏情况基准。