[論文レビュー] Stochastic Virtual Power Plant Dispatch via Temporally Aggregated Distributed Predictive Control with Performance Guarantees

Luca Santosuosso, Fei Teng+1 more|arXiv (Cornell University)|Mar 19, 2026

Smart Grid Energy Management被引用数 0

ひとこと要約

要約として、この論文は仮想発電所（VPP）ディスパッチのための確率的 MPC フレームワークを開発し、時間的に集約されたモデリングと分散最適化（ADMM）を組み合わせ、性能保証を提供します。大規模なVPPにおける不確実性下で計算コストの大幅な削減を実現し、実行可能性を維持します。

ABSTRACT

This paper addresses the energy dispatch of a virtual power plant comprising renewable generation, energy storage, and thermal units under uncertainty in renewable output, energy prices, and energy demand. The nonlinear dynamics and multiple sources of uncertainty render traditional stochastic model predictive control (MPC) computationally intractable as the dispatch horizon, scenario set, and asset portfolio expand. To overcome this limitation, we propose a novel controller that seamlessly integrates MPC with time series aggregation and distributed optimization, simultaneously reducing the temporal, asset, and scenario dimensions of the problem. The resulting controller provides a rigorous performance guarantee through theoretically validated bounds on its approximation error, while leveraging dual information from previous MPC iterations to adaptively optimize the temporal aggregation. Numerical results show that the proposed controller reduces runtime by over 50% relative to traditional stochastic MPC and, crucially, restores tractability where the full-scale dispatch model proves intractable.

研究の動機と目的

• 不確実性（再生可能エネルギー、価格、需要）がある状況下でのリアルタイムVPPディスパッチの改善動機づけ。
• MPC、時間的集約モデリング、分散最適化を統合するスケーラブルな制御フレームワークの開発。
• 完全規模の目的関数に対する厳密な下限/上限の保証を提供し、近似誤差を定量化。

提案手法

• VPPディスパッチをQCQPとして定式化し、確率的MPCで解く。
• クラスターに基づく表現でホライズンを縮小するための時間的集約TSAを使用。
• 総合問題を資産とシナリオに分解して、同期ADMM（consensus ADMM）で分散最適化。
• 初回MPC反復からのデュアル情報を活用した後解析TSAを組み込み、集約を導く。
• 完全規模の目的関数に対する下限を提供し、性能保証のための上限を計算するアルゴリズムを提供。

Figure 1: Illustration of the proposed methodology for real-time energy dispatch of a VPP under uncertainty.

実験結果

リサーチクエスチョン

• RQ1 MPCベースのVPPディスパッチは、再生可能エネルギー、需要、価格の不確実性に対して、 prohibitive な計算を避けつつどのように対処できるか？
• RQ2 時間的集約と分散最適化を組み合わせて、解の質を保ちつつ実行時間を短縮できるか？
• RQ3 QCQPベースのVPPディスパッチにおける時間的集約によって導入される近似誤差に対して、どのような保証を確立できるか？
• RQ4 過去の反復からのデュアル情報を用いると、VPPのMPCにおける時間的集約を正確またはほぼ正確に実現できるか？

主な発見

• 提案されたコントローラは従来の確率的MPCと比較して実行時間を50%超短縮する。
• QCQP、時変パラメータ、 intertemporal制約があっても、完全規模の最適目的値に対する厳密な下限を与える。
• 完全規模の目的関数に対する上限を計算するアルゴリズムを提供し、最適性ギャップの境界を可能にする。
• 過去のMPC反復を用いた後解析TSAアプローチは、デュアル情報の指針の下で、完全規模解を正確に再現する時間的集約コントローラを生み出す可能性がある。
• 統合アプローチは資産、シナリオ、時間の次元を同時に扱い、大規模VPPディスパッチの実現可能性を回復する。

Figure 2: Illustration of the sliding window clustering technique.