[论文解读] Dynamic Control and Optimization of Distributed Energy Resources in a Microgrid

Trudie Wang, Dan O'Neill+1 more|arXiv (Cornell University)|Sep 30, 2014

Smart Grid Energy Management参考文献 46被引用 11

一句话总结

本文提出了一种基于交替方向乘子法（ADMM）的去中心化模型预测控制（MPC）框架，用于在微电网中动态优化分布式能源资源（DERs），包括光伏（PV）、储能、电动汽车（EVs）和可调节负荷。通过使每个DER仅求解其本地优化问题并仅交换简单消息，该方法在实时运行中实现了接近集中式优化的性能，同时遵守电网约束，并在动态电价和不确定性条件下最小化总成本。

ABSTRACT

As we transition towards a power grid that is increasingly based on renewable resources like solar and wind, the intelligent control of distributed energy resources (DER) including photovoltaic (PV) arrays, controllable loads, energy storage and plug-in electric vehicles (EVs) will be critical to realizing a power grid that can handle both the variability and unpredictability of renewable energy sources as well as increasing system complexity. Realizing such a decentralized and dynamic infrastructure will require the ability to solve large scale problems in real-time with hundreds of thousands of DERs simultaneously online. Because of the scale of the optimization problem, we use an iterative distributed algorithm previously developed in our group to operate each DER independently and autonomously within this environment. The algorithm is deployed within a framework that allows the microgrid to dynamically adapt to changes in the operating environment. Specifically, we consider a commercial site equipped with on-site PV generation, partially curtailable load, EV charge stations and a battery electric storage (BES) unit. The site operates as a small microgrid that can participate in the wholesale market on the power grid. We report results for simulations using real data that demonstrate the ability of the optimization framework to respond dynamically in real-time to external conditions while maintaining the functional requirements of all DERs.

研究动机与目标

• 解决高比例可再生能源渗透和需求波动的大型动态微电网管理挑战。
• 开发一种可扩展的实时控制框架，在可再生能源发电存在不确定性和波动性的情况下，仍能保持系统可靠性和效率。
• 在无需集中优化或大量通信的前提下，实现分布式能源资源（DERs）的去中心化协调。
• 在遵守线路载流量和储能容量等物理约束的前提下，最小化微电网运行成本。
• 证明去中心化控制可实现与具备预知能力的集中式优化相当的性能。

提出的方法

• 该框架采用模型预测控制（MPC）在有限时间窗口内实现滚动时域优化。
• 每个DER（光伏、储能、电动汽车、可调节负荷）均建立包含自身目标和约束的本地优化问题。
• 采用交替方向乘子法（ADMM）以去中心化方式求解耦合优化问题。
• 仅需相邻DER之间交换简单消息，通过传递对偶变量来强制执行如线路载流量等耦合约束。
• 算法通过迭代更新本地决策和对偶变量，直至收敛至全局最优或近似最优解。
• 在每个时间步，控制器使用更新的预测数据和实时信息重新求解问题，实现动态自适应。

实验结果

研究问题

• RQ1 去中心化优化框架是否能在实时微电网控制中实现与集中式优化相近的性能？
• RQ2 ADMM在如线路载流量等耦合约束下，能否有效协调多种DER（如光伏、储能、电动汽车和可调节负荷）？
• RQ3 去中心化控制在多大程度上能响应实时日前电力市场电价并维持系统可靠性？
• RQ4 DER之间仅通过最小通信量是否仍能实现高质量的全局功率曲线而无需集中协调？
• RQ5 该框架在应对事故事件和预测不确定性时，如何在保持运行约束的前提下维持系统安全？

主要发现

• 即使在动态和不确定条件下，去中心化ADMM-MPC框架的运行成本性能仍可与具备完整预知能力的集中式优化相媲美。
• 该方法成功遵守了关键物理约束，包括线路热稳定极限和电池容量，确保了系统安全。
• 仅需本地信息和相邻DER之间的简单消息传递，使系统具备可扩展性，并对通信故障具有鲁棒性。
• 该框架有效实现了需求响应和负荷整形，降低峰值负荷，减少对备用发电的依赖。
• 电动汽车充电通过算法自然协调，避免了同时高负载充电，减少了电压越限风险。
• 在孤岛运行模式下，即使光伏出力达到100%，微电网仍能维持稳定且高质量的功率曲线，展现出卓越的韧性与灵活性。