[论文解读] Dynamic Energy Management

Nicholas Moehle, Enzo Busseti+2 more|arXiv (Cornell University)|Mar 14, 2019

Electric Power System Optimization被引用 16

一句话总结

本文提出了一种基于凸优化的动态电能管理框架，通过模型预测控制（MPC）和鲁棒MPC实现实时控制，以应对预测不确定性。主要贡献在于提出了一种统一且可扩展的方法，在优化功率流的同时计算节点边际电价，确保经济均衡与社会最优性，即使在风力发电预测不准确的情况下，性能也接近完美预测基准。

ABSTRACT

We present a unified method, based on convex optimization, for managing the power produced and consumed by a network of devices over time. We start with the simple setting of optimizing power flows in a static network, and then proceed to the case of optimizing dynamic power flows, i.e., power flows that change with time over a horizon. We leverage this to develop a real-time control strategy, model predictive control, which at each time step solves a dynamic power flow optimization problem, using forecasts of future quantities such as demands, capacities, or prices, to choose the current power flow values. Finally, we consider a useful extension of model predictive control that explicitly accounts for uncertainty in the forecasts. We mirror our framework with an object-oriented software implementation, an open-source Python library for planning and controlling power flows at any scale. We demonstrate our method with various examples. Appendices give more detail about the package, and describe some basic but very effective methods for constructing forecasts from historical data.

研究动机与目标

• 开发一种统一的、基于凸优化的方法，用于管理电力网络中互联设备的动态功率流。
• 通过模型预测控制（MPC）实现实时控制，利用对未来需求、价格和发电量的预测，优化当前的功率流。
• 通过基于场景的鲁棒优化，将MPC扩展至处理预测中的不确定性，确保所有场景下第一期的一致性。
• 计算节点边际电价，支持对所有设备实现收支平衡、利润最大化的支付机制。
• 提供一个开源的、面向对象的Python库（cvxpower），用于可扩展的电力网络建模与优化。

提出的方法

• 在有限时间范围内将动态功率流优化表述为凸问题，整合设备约束、功率平衡和爬坡率。
• 采用模型预测控制（MPC），在每个时间步长求解一个有限时域优化问题，使用预测数据，并仅执行第一步。
• 通过考虑S个不确定预测场景，将MPC扩展为鲁棒MPC，要求所有场景下第一期的功率流保持一致。
• 采用基于场景的鲁棒优化公式，共享第一期决策，最小化不确定性下的期望成本。
• 通过功率平衡约束的对偶变量计算节点边际电价，实现收支平衡、利润最大化的支付机制。
• 在cvxpower中实现该框架，这是一个开源的Python库，采用面向对象设计，抽象了设备与网络的复杂性。

实验结果

研究问题

• RQ1 基于凸优化的框架能否统一管理多样化联网设备的静态与动态功率流？
• RQ2 当预测存在不确定性时，模型预测控制在实时电能管理中的表现如何？
• RQ3 与确定性MPC相比，采用多组预测场景的鲁棒MPC能否显著提升不确定性下的控制性能？
• RQ4 所计算的节点边际电价是否能实现经济均衡，使每个设备均实现预期利润最大化？
• RQ5 即使风力发电预测不准确，鲁棒MPC的性能在多大程度上可接近完美预测MPC的性能？

主要发现

• 采用20个场景的鲁棒MPC，成本为3,291美元，仅略高于确定性最优功率流（DOPF）的3,269美元，表明在预测不准确的情况下仍具有近乎最优的性能。
• 风力发电机的总支付从MPC的-115.3千美元降至鲁棒MPC的-98.1千美元，表明在不确定性下对可变可再生能源输出的依赖减少。
• 储能装置的支付提高（鲁棒MPC为-48.9千美元，MPC为-36.0千美元），反映出其在管理不确定性中的价值提升。
• 燃气发电机的支付从-122.3千美元降至-104.5千美元，表明由于储能和可再生能源使用增加，其出力减少。
• 负荷的总支付降低（鲁棒MPC为251.6千美元，MPC为273.6千美元），与净需求波动性降低一致。
• 该框架确保每个设备在所计算价格下均实现预期利润最大化，证实了经济均衡的存在。