[论文解读] Data-driven Chance-constrained Regulation Capacity Offering for Distributed Energy Resources

Hongcai Zhang, Zechun Hu+3 more|arXiv (Cornell University)|Aug 17, 2017

Smart Grid Energy Management参考文献 2被引用 13

一句话总结

本文提出了一种数据驱动、风险规避的随机约束优化框架，供聚合商利用分布式能源资源（DERs）提供调节容量，平衡收益与惩罚风险。采用两阶段随机规划进行日前投标，采用数据驱动的分布鲁棒随机约束规划进行实时决策，实现准确、计算高效且风险可调的调节容量报价，其在收益与服务质量方面优于鲁棒方法和确定性方法。

ABSTRACT

This paper studies the behavior of a strategic aggregator offering regulation capacity on behalf of a group of distributed energy resources (DERs, e.g. plug-in electric vehicles) in a power market. Our objective is to maximize the aggregator's revenue while controlling the risk of penalties due to poor service delivery. To achieve this goal, we propose data-driven risk-averse strategies to effectively handle uncertainties in: 1) The DER parameters (e.g., load demands and flexibilities) and 2) sub-hourly regulation signals (to the accuracy of every few seconds). We design both the day-ahead and the hour-ahead strategies. In the day-ahead model, we develop a two-stage stochastic program to roughly model the above uncertainties, which achieves computational efficiency by leveraging novel aggregate models of both DER parameters and sub-hourly regulation signals. In the hour-ahead model, we formulate a data-driven distributionally robust chance-constrained program to explicitly model the aforementioned uncertainties. This program can effectively control the quality of regulation service based on the aggregator's risk aversion. Furthermore, it learns the distributions of the uncertain parameters from empirical data so that it outperforms existing techniques, (e.g. robust optimization or traditional chance-constrained programming) in both modelling accuracy and cost of robustness. Finally, we derive a conic safe approximation for it which can be efficiently solved by commercial solvers. Numerical experiments are conducted to validate the proposed method.

研究动机与目标

• 解决从分布式能源资源（DERs）提供可靠调节容量的挑战，同时管理因服务交付不足导致的财务风险。
• 比现有方法更准确地建模DER参数（如负荷需求、接入时间）和高频调节信号（如每2秒一次）的不确定性。
• 开发计算高效的日前与实时市场报价策略，反映聚合商的风险偏好。
• 通过利用实证数据提升建模保真度，减少保守性，改进传统鲁棒优化与基于场景的随机规划方法。
• 通过维持高服务质量评分，确保市场准入与性能，应对现实中的惩罚机制。

提出的方法

• 为日前报价构建了两阶段随机规划，采用新颖的聚合模型表示亚小时级调节信号与DER参数，提升计算效率。
• 为实时决策开发了数据驱动的分布鲁棒随机约束规划，利用实证数据显式建模DER参数与调节信号的不确定性。
• 随机约束规划通过可调参数（ε）体现风险规避，使聚合商能够平衡预期收益与惩罚风险。
• 该方法从历史数据中学习不确定参数的模糊概率分布，相比传统随机约束或鲁棒优化方法，显著提升准确性。
• 推导出二阶锥规划（SOCP）近似，以支持使用商业求解器高效求解，确保实际可部署性。
• 该方法在实时性能评估中整合了充放电效率损失，提升了预测准确性。

实验结果

研究问题

• RQ1 聚合商如何在最小化因服务交付失败导致财务罚款风险的前提下，最优地从DER车队提供调节容量？
• RQ2 以更高精度建模亚小时级调节信号与DER参数不确定性，对决策质量与计算效率有何影响？
• RQ3 与鲁棒优化和确定性策略相比，数据驱动的分布鲁棒随机约束方法在平衡收益与风险方面表现如何？
• RQ4 在容量报价阶段纳入能量转换效率损失，对实时性能与收益的影响有多大？
• RQ5 随机约束规划的锥近似能否在现实部署中同时保证求解精度与计算可处理性？

主要发现

• 所提方法实现日总收益8.74千美元，显著优于鲁棒策略（仅0.22千美元）与确定性策略（7.96千美元），尽管后者过于激进。
• 所提方法的性能得分为83%，高于确定性策略（68%）与忽略效率损失的策略（80%），表明服务质量更优。
• 鲁棒策略仅提供20.5 MWh/天，不足所提方法484 MWh/天的5%，揭示了过度保守与DER灵活性的严重未充分利用。
• 忽略能量转换效率损失导致总收益较所提方法减少3.8%，即使报价容量几乎相同，原因在于对实时性能退化的低估。
• 收益与风险的权衡关系清晰可见：当风险容忍参数ε超过30%后，因惩罚机制的存在，收益提升趋于边际递减，凸显校准风险设置的重要性。
• SOCP近似使复杂随机约束规划能通过商业求解器高效求解，证实了该方法在实际应用中的可行性。