[论文解读] Degradation-aware data-enabled predictive control of energy hubs

Varsha Behrunani, Marta Zagórowska+4 more|arXiv (Cornell University)|Jul 4, 2023

Building Energy and Comfort Optimization被引用 1

一句话总结

本文提出了一种退化感知的数据驱动预测控制（DeePC）框架，用于建筑能源枢纽的控制，利用历史输入-输出数据在无需显式系统模型的情况下优化电池和热泵的运行。通过将电池退化动态纳入控制优化，DeePC使电池老化减少超过50%，并改善了舒适度约束的满足程度，同时保持了相似的运行成本。

ABSTRACT

Mitigating the energy use in buildings, together with satisfaction of comfort requirements are the main objectives of efficient building control systems. Augmenting building energy systems with batteries can improve the energy use of a building, while posing the challenge of considering battery degradation during control operation. We demonstrate the performance of a data-enabled predictive control (DeePC) approach applied to a single multi-zone building and an energy hub comprising an electric heat pump and a battery. In a comparison with a standard rule-based controller, results demonstrate that the performance of DeePC is superior in terms of satisfaction of comfort constraints without increasing grid power consumption. Moreover, DeePC achieved two-fold decrease in battery degradation over one year, as compared to a rule-based controller.

研究动机与目标

• 开发一种考虑电池退化的数据驱动控制策略，用于建筑能源系统。
• 在集成能源枢纽的多区域建筑中降低能耗并提升舒适度。
• 在不依赖复杂第一性原理模型的前提下，最小化系统生命周期内的电池退化。
• 在能源消耗、舒适度和电池寿命方面，将DeePC与基于规则的控制器（RBC）进行性能对比。

提出的方法

• DeePC利用持续激励的输入-输出轨迹构建汉克尔矩阵，以替代系统模型用于预测控制。
• 通过基本引理实现基于数据的系统表征，从而构建优化问题，确保轨迹可行性。
• 通过循环次数和容量损失对电池退化进行建模，并在控制时域内施加电压和荷电状态（SoC）约束。
• 在权重向量g上引入正则化项，以防止过拟合并提高鲁棒性。
• 控制器使用松弛变量ρ对舒适度约束违反情况进行惩罚，从而实现软约束。
• 该方法整合了对扰动（如天气、人员占用）的实时预测，并利用底层控制器性能，而无需对其建模。

实验结果

研究问题

• RQ1 数据启用的预测控制（DeePC）能否在维持舒适度并最小化电网使用的同时，有效管理具有电池退化的能源枢纽？
• RQ2 在完整一年的时间内，DeePC与基于规则的控制器（RBC）在电池老化和约束违反方面有何差异？
• RQ3 DeePC在无需详细第一性原理退化模型的前提下，能在多大程度上减少电池退化？
• RQ4 与RBC相比，DeePC能否在降低电网功率消耗的同时维持或改善舒适度约束？
• RQ5 在DeePC中引入电池电压和SoC约束，对系统寿命和性能有何影响？

主要发现

• 在一年内，DeePC使电池老化减半，仅经历100次循环，而基于规则的控制器（RBC）为200次循环。
• 在DeePC下，电池容量损失降低至0.3%，而RBC下为0.8%。
• 在DeePC下，舒适度约束违反时间减少至2.8%，而RBC下为5.5%。
• 运行成本方面，DeePC为CHF 5909.8，RBC为CHF 5961.7，DeePC成本低0.9%。
• 室温预测误差平均低于0.5 °C，电池电压误差保持在0.5 V以内，表明具有高精度。
• DeePC成功实施了电压约束，而RBC仅调节电流，导致振荡行为并加速退化。