Polymatroidal Representations of Aggregate EV Flexibility Considering Network Constraints

📄 arXiv: 2509.16134v1 📥 PDF

作者: Karan Mukhi, Alessandro Abate

分类: eess.SY

发布日期: 2025-09-19

💡 一句话要点

提出基于广义Polymatroid的电动汽车聚合灵活性建模方法，考虑网络约束

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 电动汽车 聚合灵活性 广义Polymatroid 网络约束 配电网

📋 核心要点

  1. 电动汽车的普及带来灵活性，但无序充电易导致配电网络过载。
  2. 利用广义Polymatroid表示EV聚合灵活性，并融入网络约束，构建受约束的灵活性集合。
  3. 优化受约束的灵活性集合，并提出分解算法，将聚合指令映射到个体EV，同时满足设备和网络约束。

📝 摘要（中文）

电动汽车(EV)的日益普及为电力系统带来了巨大的灵活性潜力。然而，无协调或同步充电可能导致配电网络过载。本文扩展了最近利用广义Polymatroid（一类多面体）来表示电动汽车群体聚合灵活性的方法，展示了如何将网络约束集成到这种表示中，以获得受网络约束的聚合灵活性集合。此外，我们还展示了如何优化这些受网络约束的聚合灵活性集合，并提出了一种分解程序，该程序将聚合负载曲线映射到单个电动汽车调度指令，同时遵守设备级和网络约束。

🔬 方法详解

问题定义：论文旨在解决电动汽车无序充电导致配电网络过载的问题。现有方法通常忽略网络约束，或者难以将聚合灵活性有效地分解到单个电动汽车的调度指令上，同时保证网络安全运行。因此，需要一种能够同时考虑设备级和网络级约束的电动汽车聚合灵活性建模和优化方法。

核心思路：论文的核心思路是利用广义Polymatroid来表示电动汽车群体的聚合灵活性。广义Polymatroid是一种多面体，可以有效地描述多个变量之间的依赖关系。通过将网络约束也纳入到Polymatroid的构建中，可以得到受网络约束的聚合灵活性集合。然后，可以在这个集合上进行优化，得到满足网络约束的聚合调度方案。最后，通过分解算法将聚合调度方案映射到单个电动汽车的调度指令。

技术框架：整体框架包括三个主要模块：1) 基于广义Polymatroid的电动汽车聚合灵活性建模，考虑设备级约束；2) 将网络约束融入Polymatroid，构建受网络约束的聚合灵活性集合；3) 优化受约束的灵活性集合，得到聚合调度方案，并通过分解算法映射到单个电动汽车的调度指令。

关键创新：最重要的技术创新点在于将网络约束有效地融入到广义Polymatroid的表示中。这使得可以在聚合层面进行优化，同时保证网络安全运行。与现有方法相比，该方法能够更准确地描述电动汽车的聚合灵活性，并能够更好地协调电动汽车的充电行为。

关键设计：关键设计包括：1) 如何选择合适的广义Polymatroid来表示电动汽车的灵活性，需要考虑电动汽车的充电功率、电池容量等因素；2) 如何将网络约束转化为Polymatroid的约束条件，这需要对配电网络进行建模，并考虑线路容量、电压限制等因素；3) 如何设计分解算法，将聚合调度方案映射到单个电动汽车的调度指令，需要考虑电动汽车的个体需求和充电习惯。

📊 实验亮点

论文通过仿真实验验证了所提出方法的有效性。实验结果表明，该方法能够在满足网络约束的前提下，有效地利用电动汽车的灵活性，降低配电网络的负荷峰值，提高电压稳定性。具体的性能数据（例如，负荷峰值降低百分比、电压改善幅度等）需要在论文中查找。

🎯 应用场景

该研究成果可应用于智能电网的电动汽车充电管理，能够有效协调电动汽车的充电行为，避免配电网络过载，提高电力系统的稳定性和可靠性。此外，该方法还可以扩展到其他分布式能源的管理，例如光伏发电、储能系统等，为构建更加灵活和高效的能源系统提供技术支持。

📄 摘要（原文）

The increasing penetration of electric vehicles (EVs) introduces significant flexibility potential to power systems. However, uncoordinated or synchronous charging can lead to overloading of distribution networks. Extending recent approaches that utilize generalized polymatroids, a family of polytopes, to represent the aggregate flexibility of EV populations, we show how to integrate network constraints into this representation to obtain network-constrained aggregate flexibility sets. Furthermore, we demonstrate how to optimize over these network-constrained aggregate flexibility sets, and propose a disaggregation procedure that maps an aggregate load profile to individual EV dispatch instructions, while respecting both device-level and network constraints.