[논문 리뷰] Long-Term Energy Management for Microgrid with Hybrid Hydrogen-Battery Energy Storage: A Prediction-Free Coordinated Optimization Framework

Ning Qi, Kaidi Huang외 2명|arXiv (Cornell University)|2024. 07. 31.

Microgrid Control and Optimization인용 수 4

한 줄 요약

이 논문은 수소-배터리 저장을 활용한 장기 마이크로그리드 에너지 관리에 대한 예측 불필요 이중 단계 최적화 프레임워크를 제안한다. 커널 회귀를 사용해 실시간으로 수소 충전도(SoC) 기준치를 갱신하고, 전문가 추적 및 페널티 항목을 갖춘 적응형 가상 큐 기반 실시간 볼록 최적화(OCO) 알고리즘을 적용하여 예측 없이도 하위선형 동적 위상 오차를 달성한다. 이 방법은 기존의 접근 방식 대비 운영 비용을 약 30% 감소시키고, 부하 손실을 약 80% 감소시킨다. 엘리아 및 북중국 데이터셋에서 검증됨.

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can be further enhanced with optimized settings for the penalty coefficient and step size of OCO, as well as more historical references.

연구 동기 및 목표

• 계절적 불확실성과 예측 자료의 제한성 속에서 장기 마이크로그리드 에너지 관리의 과제를 해결한다.
• 단기 및 계절적 균형을 모두 확보하기 위해 하이브리드 수소-배터리 에너지 저장 시스템을 통합한 조율된 최적화 프레임워크를 개발한다.
• 과거 데이터와 인공지능 생성 시나리오를 활용해 SoC 기준치 생성을 통해 예측 데이터에 의존하지 않고 실시간 운영을 가능하게 한다.
• 적응형 가상 큐 및 전문가 추적 메커니즘을 통해 실시간 의사결정의 강인성과 하위선형 동적 위상 오차를 확보한다.
• 실제 데이터셋을 활용해 다양한 기후 및 부하 조건에서 비용 효율적이고 신뢰할 수 있는 마이크로그리드 운영을 달성한다.

제안 방법

• 수소 시스템의 전력 의존 효율성을 반영하는 근사적인 반경험적 수소 저장 모델을 제안한다.
• 이중 단계 프레임워크를 도입: 먼저 과거 및 인공지능 생성 시나리오를 활용해 오프라인으로 수소 SoC 기준치를 생성하고, 이후 커널 회귀를 통해 온라인으로 적응한다.
• 전문가 추적 및 장기 패턴 추적 페널티 항목을 통합한 적응형 가상 큐 기반 실시간 볼록 최적화(OCO) 알고리즘을 적용하며, 동적 단계 크기 갱신을 전문가 성능과 연계한다.
• 수명 주기 SoC 패턴 추적 및 전문가 성능 추적에 대한 페널티 항목을 통합해 수렴성과 강인성을 향상시킨다.
• 이론적 분석을 통해 예측 없이도 하위선형 동적 위상 오차 경계가 성립함을 입증하며, 볼록성 및 유계 기울기 가정을 활용한다.
• 전문가 성능과 과거 추적 오차의 가중 조합에 기반한 시간에 따라 변화하는 단계 크기 정책을 사용해 안정성과 적응성을 확보한다.

Figure 1: Schematic diagram of hydrogen storage system.

실험 결과

연구 질문

• RQ1 예측 없이도 계절 변동성 속에서 하이브리드 수소-배터리 저장 시스템을 활용한 장기 마이크로그리드 운영을 효과적으로 관리할 수 있는가?
• RQ2 SoC 기준치 갱신에 커널 회귀를 통합함으로써 정적 또는 예측 기반 방법에 비해 실시간 적응성은 얼마나 향상되는가?
• RQ3 전문가 추적 및 패턴 페널티 정규화는 마이크로그리드 운용에서 실시간 볼록 최적화의 동적 위상 오차 성능을 얼마나 향상시키는가?
• RQ4 페널티 계수 및 단계 크기 조정이 실제 마이크로그리드 시나리오에서 운영 비용과 부하 손실 감소에 미치는 영향은 어떠한가?
• RQ5 실제 데이터셋 기반으로 기존의 온라인 및 오프라인 최적화 방법과 비교했을 때, 제안된 프레임워크는 비용, 신뢰성 및 확장성 측면에서 어떤가?

주요 결과

• 제안된 프레임워크는 엘리아 및 북중국 데이터셋에서 기존의 온라인 최적화 방법 대비 연간 운영 비용을 약 30% 감소시킨다.
• 기본 방법 대비 부하 손실이 약 80% 감소하여 공급 신뢰성 향상이 뚜렷하게 입증된다.
• 예측 없이도 하위선형 동적 위상 오차 경계를 확보하며, 볼록 분석과 유계 기울기 가정을 통해 이론적으로 입증된다.
• 수치 결과는 최적화된 페널티 계수와 단계 크기를 통해 성능 향상이 더욱 뚜렷해지며, 특히 더 많은 과거 및 인공지능 생성 기준 시나리오를 활용할 경우에 특히 두드러진다.
• 커널 회귀 기반 SoC 기준치 갱신 메커니즘은 정확한 온라인 적응을 가능하게 하여, MPC 기반 및 정적 기준치 방법보다 동적이고 불확실한 환경에서 뛰어난 성능을 발휘한다.
• 북중국 데이터셋에서 프레임워크는 비용 $5.30×10⁵ 및 부하 손실 80.60 MWh를 기록했으며, M1(비용: $11.74×10⁵, 손실: 208.85 MWh) 및 M4(비용: $23.24×10⁵, 손실: 2104.74 MWh)에 비해 뚜렷한 우수성을 보였다.

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