[論文レビュー] Long-Term Energy Management for Microgrid with Hybrid Hydrogen-Battery Energy Storage: A Prediction-Free Coordinated Optimization Framework

Ning Qi, Kaidi Huang+2 more|arXiv (Cornell University)|Jul 31, 2024

Microgrid Control and Optimization被引用数 4

ひとこと要約

本稿では、ハイブリッド水素-バッテリーストレージを用いた長期マイクログリッドエネルギーマネジメントの予測不要な2段階最適化フレームワークを提案する。カーネル回帰を用いてオンラインで水素のSOCHリファレンスを更新し、エキスパート追跡とペナルティ項を備えた適応型バーチャルキューに基づくオンライン凸最適化（OCO）アルゴリズムを採用することで、予測を用いない状態でサブリニアな動的リグレットを達成する。エレアおよび中国北部のデータセットにおいて、既存手法と比較して運用コストを約30%削減し、負荷損失を約80%低減した。

ABSTRACT

This paper studies the long-term energy management of a microgrid coordinating hybrid hydrogen-battery energy storage. We develop an approximate semi-empirical hydrogen storage model to accurately capture the power-dependent efficiency of hydrogen storage. We introduce a prediction-free two-stage coordinated optimization framework, which generates the annual state-of-charge (SoC) reference for hydrogen storage offline. During online operation, it updates the SoC reference online using kernel regression and makes operation decisions based on the proposed adaptive virtual-queue-based online convex optimization (OCO) algorithm. We innovatively incorporate penalty terms for long-term pattern tracking and expert-tracking for step size updates. We provide theoretical proof to show that the proposed OCO algorithm achieves a sublinear bound of dynamic regret without using prediction information. Numerical studies based on the Elia and North China datasets show that the proposed framework significantly outperforms the existing online optimization approaches by reducing the operational costs and loss of load by around 30% and 80%, respectively. These benefits can be further enhanced with optimized settings for the penalty coefficient and step size of OCO, as well as more historical references.

研究の動機と目的

• 季節的不確実性が高く、予測情報が限られる状況下における長期マイクログリッドエネルギーマネジメントの課題に対処すること。
• 短期的および季節的バランスの両方を満たすために、ハイブリッド水素-バッテリーストレージを統合した協調最適化フレームワークを構築すること。
• 履歴データおよびAI生成シナリオを用いてSOCHリファレンスを生成することで、予報データに依存しないリアルタイム運用を可能とすること。
• 適応型バーチャルキューおよびエキスパート追跡メカニズムを用いて、オンライン意思決定におけるロバスト性とサブリニアな動的リグレットを確保すること。
• 実世界のデータセットを用いて、多様な気候的・負荷条件にわたるコスト効率的かつ信頼性の高いマイクログリッド運用を実現すること。

提案手法

• 水素システムにおける出力依存効率を捉える近似の半経験的水素ストレージモデルを提案する。
• 2段階フレームワークを導入：履歴およびAI生成シナリオを用いたオフラインでの水素SOCHリファレンス生成、その後にカーネル回帰を用いたオンライン適応。
• エキスパート追跡と長期的パターン追跡ペナルティ項を組み込んだ、動的ステップサイズ更新を内蔵した適応型バーチャルキュー基盤のオンライン凸最適化（OCO）アルゴリズムを採用する。
• 収束性とロバスト性を向上させるために、長期的SOCHパターン追跡およびエキスパートパフォーマンス追跡の両方のペナルティ項を組み込む。
• 理論的分析により、予測を用いない状態でサブリニアな動的リグレットバウンドが保証されることを示し、凸性および有界勾配仮定を活用する。
• エキスパートパフォーマンスと履歴追跡誤差の重み付き組み合わせに基づく時変ステップサイズポリシーを採用し、安定性と適応性を確保する。

Figure 1: Schematic diagram of hydrogen storage system.

実験結果

リサーチクエスチョン

• RQ1 季節的変動が顕著な状況下で、予測を用いないオンライン最適化フレームワークが、ハイブリッド水素-バッテリーストレージを用いて長期マイクログリッド運用を効果的に管理できるか。
• RQ2 SOCHリファレンス更新にカーネル回帰を統合することで、静的または予測ベースの手法と比較して、リアルタイムでの適応性がどのように向上するか。
• RQ3 エキスパート追跡およびパターンペナルティ正則化が、マイクログリッドディスpatchにおけるオンライン凸最適化の動的リグレット性能に、どの程度向上効果をもたらすか。
• RQ4 ペナルティ係数およびステップサイズチューニングが、実世界のマイクログリッドシナリオにおける運用コストおよび負荷損失の低減に与える影響はどの程度か。
• RQ5 実データセット上でのコスト、信頼性、スケーラビリティの観点から、本フレームワークは、既存のオンラインおよびオフライン最適化手法と比較して、どのように優れているか。

主な発見

• 提案フレームワークは、エレアおよび中国北部のデータセットにおいて、既存のオンライン最適化手法と比較して年間運用コストを約30%削減した。
• 負荷損失はベースライン手法と比較して約80%低減され、供給信頼性の顕著な向上が示された。
• 予測を用いない状態でサブリニアな動的リグレットバウンドを達成したことが、凸解析および有界勾配仮定を用いた理論的証明により裏付けられた。
• 数値結果から、最適化されたペナルティ係数およびステップサイズを用いることで性能向上がさらに顕著となり、特に履歴およびAI生成リファレンスシナリオを多く活用した場合に顕著であった。
• カーネル回帰を用いたSOCHリファレンス更新メカニズムにより、オンライン適応性が高まり、動的かつ不確実な環境下でMPCベースおよび静的リファレンス手法を上回る性能を発揮した。
• 中国北部のデータセットでは、本フレームワークはコスト$5.30×10⁵、負荷損失80.60 MWhを達成し、M1（コスト：$11.74×10⁵、損失：208.85 MWh）およびM4（コスト：$23.24×10⁵、損失：2104.74 MWh）を著しく上回った。

Figure 2: Approximation of alkaline electrolyzer properties at $90\,^{\circ}\mathrm{C}$ , 10 bar: (a) hydrogen production, (b) efficiency.