[论文解读] Arbitrage with Power Factor Correction using Energy Storage

Md Umar Hashmi, Deepjyoti Deka+3 more|arXiv (Cornell University)|Mar 14, 2019

Smart Grid Energy Management参考文献 27被引用 4

一句话总结

本文提出了一种储能系统的协同优化框架，旨在配电网中高比例逆变器接口分布式发电的背景下，同时实现能量套利和本地功率因数校正（PFC）。通过使用McCormick松弛法和基于惩罚的方法，高效求解了非凸联合优化问题，结果表明PFC可实现而不降低套利利润，且由于变流器容量限制，无功功率控制与有功功率套利在很大程度上实现了解耦。

ABSTRACT

The importance of reactive power compensation for power factor (PF) correction will significantly increase with the large-scale integration of distributed generation interfaced via inverters producing only active power. In this work, we focus on co-optimizing energy storage for performing energy arbitrage as well as local power factor correction. The joint optimization problem is non-convex, but can be solved efficiently using a McCormick relaxation along with penalty-based schemes. Using numerical simulations on real data and realistic storage profiles, we show that energy storage can correct PF locally without reducing arbitrage profit. It is observed that active and reactive power control is largely decoupled in nature for performing arbitrage and PF correction (PFC). Furthermore, we consider a real-time implementation of the problem with uncertain load, renewable and pricing profiles. We develop a model predictive control based storage control policy using auto-regressive forecast for the uncertainty. We observe that PFC is primarily governed by the size of the converter and therefore, look-ahead in time in the online setting does not affect PFC noticeably. However, arbitrage profit are more sensitive to uncertainty for batteries with faster ramp rates compared to slow ramping batteries.

研究动机与目标

• 应对由于广泛采用逆变器接口分布式发电（尤其是光伏）导致的配电网低功率因数问题。
• 开发一种储能系统的联合优化框架，实现能量套利与本地功率因数校正（PFC），且不损害利润。
• 研究预测不确定性对实时控制环境下套利性能与PFC合规性的影响。
• 分析在不确定性条件下，电池爬坡率与变流器尺寸对套利利润的敏感性。
• 提出一种基于ARIMA预测的模型预测控制（MPC）策略，以实现实时应用并确保PFC与套利结果的鲁棒性。

提出的方法

• 构建储能系统有功与无功功率调度的非凸联合优化问题，以在维持功率因数在法规限值内的同时最大化套利利润。
• 采用McCormick松弛法近似非凸问题，并利用基于惩罚的方案强制执行功率因数约束。
• 在模型预测控制（MPC）框架中引入自回归积分滑动平均（ARIMA）预测，用于电力价格、净负荷和可再生能源出力，以处理实时不确定性。
• 采用时间离散化的动态模型，其中电池荷电状态通过 $ b^i = b^{i-1} + x^i $ 演变，充电/放电效率为 $ \eta_{\text{ch}}, \eta_{\text{dis}} $。
• 通过 $ S_B^{\max} $ 定义视在功率限值，约束变流器容量，从而决定无功功率能力与PFC性能。
• 将确定性最优控制（完全信息）与基于预测数据的实时MPC进行对比，评估在不确定性下的利润损失与PFC违规情况。

实验结果

研究问题

• RQ1 储能系统能否在不损害任一目标的前提下，同时实现高套利利润与有效的本地功率因数校正？
• RQ2 电力价格与净负荷预测不确定性如何影响实时MPC控制下套利与PFC的性能？
• RQ3 功率因数校正在多大程度上依赖于变流器尺寸，而非未来负荷与价格预测？
• RQ4 电池爬坡率如何影响套利性能对预测不确定性的敏感性？
• RQ5 在保持高功率因数的同时，增加变流器尺寸与维持高套利利润之间存在何种权衡？

主要发现

• 储能系统可在不降低套利利润的前提下实现本地功率因数校正，联合优化在实时MPC下使0.25C-0.25C电池的平均功率因数达到97.04%。
• 由于预测不确定性导致的套利利润损失对快速爬坡电池更为显著（例如，2C-2C电池损失达35.8%），而对慢速爬坡电池则较低（0.25C-0.25C电池损失仅3%）。
• 功率因数校正主要受变流器尺寸控制，而非未来预测；因此，时间上的前瞻对PFC性能影响极小。
• 对于同一电池，增大变流器尺寸可提高平均功率因数（例如，从0.9375提升至0.9765），且不降低套利利润。
• 在确定性与实时MPC设置下，PFC违规情况相当，表明当变流器尺寸足够时，PFC对不确定性具有鲁棒性。
• 对于高电价情景，快速爬坡电池的最优控制动作是以最大速率放电，但受容量限制，使其对预测误差更为敏感。