[論文レビュー] Stochastic optimal control of a domestic microgrid equipped with solar panel and battery

François Pacaud, Pierre Carpentier+2 more|arXiv (Cornell University)|Jan 19, 2018

Microgrid Control and Optimization参考文献 18被引用数 5

ひとこと要約

本稿では、太陽光パネルおよびバッテリーストレージを備えた家庭用マイクログリッドにおける確率的最適制御フレームワークを提案し、不確実性下でのStochastic Dual Dynamic Programming (SDDP) と Model Predictive Control (MPC) を比較する。SDDPは、不確実性のより良い取り扱いとストレージのより効率的な使用により、電力コストの削減で MPC より 2–3% 適切であり、極端なシナリオにおいて顕著である。計算コストの増加はわずかである。

ABSTRACT

Microgrids are integrated systems that gather and operate energy production units to satisfy consumers demands. This paper details different mathematical methods to design the Energy Management System (EMS) of domestic microgrids. We consider different stocks coupled together - a battery, a domestic hot water tank - and decentralized energy production with solar panel. The main challenge of the EMS is to ensure, at least cost, that supply matches demand for all time, while considering the inherent uncertainties of such systems. We benchmark two optimization algorithms to manage the EMS, and compare them with a heuristic. The Model Predictive Control (MPC) is a well known algorithm which models the future uncertainties with a deterministic forecast. By contrast, Stochastic Dual Dynamic Programming (SDDP) models the future uncertainties as probability distributions to compute optimal policies. We present a fair comparison of these two algorithms to control microgrid. A comprehensive numerical study shows that i) optimization algorithms achieve significant gains compared to the heuristic, ii) SDDP outperforms MPC by a few percents, with a reasonable computational overhead.

研究の動機と目的

• 太陽光発電（PV）、バッテリー、お湯貯湯タンク、および熱インertia を備えた家庭用マイクログリッドの最適なエネルギー管理システム（EMS）の設計。
• 太陽光発電の不確実性と変動する電気・お湯需要の下での供給・需要のバランス管理の課題に対処する。
• コスト削減と不確実性へのロバストネスを評価するために、SDDP と MPC をヒューリスティック基準と比較してベンチマーク化する。
• リアルタイムのマイクログリッド運用における計算複雑性と制御性能のトレードオフを評価する。
• 異なるアルゴリズムが確率的条件下でバッテリーおよびお湯貯湯タンクのストレージ容量をどのように活用するかを調査する。

提案手法

• 負荷バランス、バッテリー、お湯貯湯タンク、建物の熱的ダイナミクスを連続時間物理方程式でモデル化する。
• 太陽放射、電気需要、お湯需要の確率的変数を含む確率的最適制御問題を定式化する。
• SDDP において後退的インダクションを用いて価値関数を事前に計算し、確率分布に基づくオンライン意思決定を可能にする。
• MPC では、将来の不確実性を決定論的予測に基づき、各時刻で再び走るホライズン最適化問題を解く。
• 性能評価のため、1,000 シナリオのモンテカルロシミュレーションを実施し、コストおよび快適性指標の 95% 信頼区間を計算する。
• SDDP における将来の不確実性の確率分布の量子化を実施し、精度と計算速度のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 太陽光発電と需要の確率的不確実性下で、SDDP と MPC は電力コストの削減においてどのように比較されるか？
• RQ2 確率的モデル（確率的予測）と決定論的予測の違いが、EMS アルゴリズムの性能に与える影響は何か？
• RQ3 SDDP と MPC は、バッテリーおよびお湯貯湯タンクのストレージ容量をどのように異なる方法で活用するか？
• RQ4 SDDP の MPC に対する計算コストはどの程度で、性能の向上がそのオーバーヘッドを補って十分か？
• RQ5 SDDP は、天候や負荷条件が異なる状況でも一貫して MPC を上回るのか、それとも MPC が優れるシナリオがあるのか？

主な発見

• 冬の1日において、SDDP は MPC より平均で 2.2% の電力コスト削減を達成し、ヒューリスティック基準と比較して 44% の削減を実現した。
• 夏の1日において、SDDP はヒューリスティック基準と比較して 44% のコスト削減を達成し、MPC よりも 17% の削減を実現した。極端なシナリオでは 35% のコスト削減が見られた。
• 夏の1日における評価シナリオの 93% で、電気料金のシナリオ別比較により、SDDP が MPC を上回った。
• SDDP は MPC よりも早期にバッテリーを充電し、より高く充電する。また、余剰のPVエネルギーを効果的にお湯貯湯タンクに貯える。
• SDDP のオンライン計算時間は 1 ステップあたり 1.5 ms であり、MPC の 0.5 ms と比較してわずかに 3 倍遅いが、計算コストの増加は妥当である。
• SDDP も MPC も熱的快適性を設定値以上に維持しているが、SDDP は快適性を損なわず、より優れたコスト削減を達成した。