[论文解读] Stochastic EMS for Optimal 24/7 Carbon-Free Energy Operations

Natanon Tongamrak, Kannapha Amaruchkul+2 more|arXiv (Cornell University)|Jan 21, 2026

Integrated Energy Systems Optimization被引用 0

一句话总结

这篇论文提出了一个两阶段随机优化框架（含滚动时域控制），在15分钟分辨率下运作并进行能源采购以实现泰国的24/7碳中和能源目标，整合预测与电池储能。

ABSTRACT

This paper proposes a two-stage stochastic optimization formulation to determine optimal operation and procurement plans for achieving a 24/7 carbon-free energy (CFE) compliance at minimized cost. The system in consideration follows primary energy technologies in Thailand including solar power, battery storage, and a diverse portfolio of renewable and carbon-based energy procurement sources. Unlike existing literature focused on long-term planning, this study addresses near real-time operations using a 15-minute resolution. A novel feature of the formulation is the explicit treatment of CFE compliance as a model parameter, enabling flexible targets such as a minimum percentage of hourly matching or a required number of carbon-free days within a multi-day horizon. The mixed-integer linear programming formulation accounts for uncertainties in load and solar generation by integrating deep learning-based forecasting within a receding horizon framework. By optimizing battery profiles and multi-source procurement simultaneously, the proposed system provides a feasible pathway for transitioning to carbon-free operations in emerging energy markets.

研究动机与目标

• 将24/7碳中和能源（CFE）合规性作为一个灵活的、逐小时的目标，而非年度化的REN匹配以激励。
• 开发一个两阶段随机优化以在多天视野内最小化成本并实现用户定义的CFE目标。
• 在滚动时域框架内整合电池储能、多源能源采购与市场互动。
• 通过15分钟调度实现近实时运行，包括日先规划与基于情景的调整。

提出的方法

• 将一个两阶段随机MILP（F-CFE）建模为在每日CFE合规目标下最小化净采购成本。
• 使用带有滚动EMS的 receding-horizon（MPC）方法，在前D天进行计划并逐日执行。
• 通过深度学习模型（LightGBM、LSTM、Neural Prophet）对P_load和P_renew进行7天前瞻预测。
• 将合规性定义为跨多日视野内碳中和时隙的分数，并允许灵活目标，如CF小时百分比或CF天数。
• 对多源绿色能源采购进行建模，包含绿色/非绿色状态、蓄电/放电以及能源输出约束。
• 使用cvxpy与Gurobi求解MILP，并通过日先（DA）与实时（RT）阶段的情景调整将计划传播下去。

实验结果

研究问题

• RQ1 在短期不确定性下如何以最低成本实现24/7碳中和能源合规？
• RQ2 在15分钟近实时框架中，明确的CFE合规水平与总运营成本之间的权衡是什么？
• RQ3 滚动-递进时域EMS如何整合预测、储能与多源采购以满足CFE目标？
• RQ4 灵活的CF日选择对规划可行性与经济性有何影响？
• RQ5 将基于情景的不确定性纳入如何影响日先决策与实时调整？

主要发现

• 所提出的框架通过选择CF日和CF时隙来在多日视野内实现显式的CFE合规目标，从而最小化成本。
• 具有15分钟调度与DA/RT阶段的滚动F-CFE EMS可以结合预测以管理负载与光伏发电的不确定性。
• 预测模型（LightGBM、LSTM、Neural Prophet）显示LightGBM在7天负载预测准确度最佳，且对太阳辐射预测性能有助于指导采购决策。
• 随机F-CFE形式强调在情景实现下绿色能源预算的可行性挑战，以及基于不确定性的规划所带来的成本收益。
• 研究证实将电池配置与多源采购结合，能够在泰国能源背景下接近实现24/7碳中和能源。