[论文解读] Long-Term Energy Management for Microgrid with Hybrid Hydrogen-Battery Energy Storage: A Prediction-Free Coordinated Optimization Framework

Ning Qi, Kaidi Huang+2 more|arXiv (Cornell University)|Jul 31, 2024

Microgrid Control and Optimization被引用 4

一句话总结

本论文提出了一种无需预测的两阶段优化框架，用于采用氢-电池混合储能系统的长期微电网电能管理。该方法利用核回归在线更新氢储能的荷电状态（SoC）参考值，并采用基于自适应虚拟队列的在线凸优化（OCO）算法，结合专家追踪与惩罚项，实现无需预测的次线性动态遗憾。与Elia和华北电网数据集上的现有方法相比，该方法将运行成本降低约30%，负荷失电率降低约80%。

ABSTRACT

This paper studies the long-term energy management of a microgrid coordinating hybrid hydrogen-battery energy storage. We develop an approximate semi-empirical hydrogen storage model to accurately capture the power-dependent efficiency of hydrogen storage. We introduce a prediction-free two-stage coordinated optimization framework, which generates the annual state-of-charge (SoC) reference for hydrogen storage offline. During online operation, it updates the SoC reference online using kernel regression and makes operation decisions based on the proposed adaptive virtual-queue-based online convex optimization (OCO) algorithm. We innovatively incorporate penalty terms for long-term pattern tracking and expert-tracking for step size updates. We provide theoretical proof to show that the proposed OCO algorithm achieves a sublinear bound of dynamic regret without using prediction information. Numerical studies based on the Elia and North China datasets show that the proposed framework significantly outperforms the existing online optimization approaches by reducing the operational costs and loss of load by around 30% and 80%, respectively. These benefits can be further enhanced with optimized settings for the penalty coefficient and step size of OCO, as well as more historical references.

研究动机与目标

• 解决在季节性不确定性高且预测信息有限的条件下，长期微电网电能管理的挑战。
• 开发一种协调优化框架，整合氢-电池混合储能系统，实现短期与季节性平衡的统一。
• 通过历史数据与AI生成的场景用于SoC参考值生成，实现实时运行而不依赖预测数据。
• 通过自适应虚拟队列与专家追踪机制，确保在线决策的鲁棒性与次线性动态遗憾。
• 利用真实世界数据集，在多种气候与负荷条件下实现经济高效且可靠的微电网运行。

提出的方法

• 提出一种近似半经验的氢储能模型，能够捕捉氢系统中功率依赖的效率特性。
• 引入两阶段框架：第一阶段离线利用历史数据与AI生成的场景生成氢储能SoC参考值；第二阶段通过核回归实现在线自适应调整。
• 采用基于自适应虚拟队列的在线凸优化（OCO）算法，结合由专家追踪与长期模式追踪惩罚项驱动的动态步长更新机制。
• 引入针对长期SoC模式追踪与专家表现追踪的惩罚项，以提升收敛性与鲁棒性。
• 理论分析证明，在无预测条件下，该方法具有次线性动态遗憾边界，基于凸性与有界梯度假设。
• 采用基于专家表现与历史追踪误差加权组合的时间变步长策略，确保系统稳定与自适应能力。

Figure 1: Schematic diagram of hydrogen storage system.

实验结果

研究问题

• RQ1 在季节性波动条件下，无需预测的在线优化框架能否有效管理采用氢-电池混合储能的长期微电网运行？
• RQ2 与静态或基于预测的方法相比，采用核回归更新SoC参考值在实时适应性方面有何提升？
• RQ3 专家追踪与模式惩罚正则化在提升微电网调度中在线凸优化的动态遗憾性能方面，其作用程度如何？
• RQ4 惩罚系数与步长调节对真实微电网场景下运行成本与负荷失电率降低的影响如何？
• RQ5 在真实数据集上，与现有在线与离线优化方法相比，该框架在成本、可靠性与可扩展性方面表现如何？

主要发现

• 与Elia和华北电网数据集上现有在线优化方法相比，所提框架将年运行成本降低约30%。
• 与基线方法相比，负荷失电率降低约80%，显著提升了供电可靠性。
• 该方法在不使用预测的前提下，通过凸分析与有界梯度假设，理论证明了次线性动态遗憾边界。
• 数值结果表明，当优化惩罚系数与步长参数时，性能增益进一步提升，尤其在利用更多历史与AI生成的参考场景时效果更显著。
• 基于核回归的SoC参考值在线更新机制实现了精准的实时适应，在动态与不确定环境中优于MPC方法与静态参考方法。
• 在华北电网数据集上，该框架实现成本为$5.30×10⁵，负荷失电量为80.60 MWh，显著优于M1（成本：$11.74×10⁵，失电：208.85 MWh）与M4（成本：$23.24×10⁵，失电：2104.74 MWh）。

Figure 2: Approximation of alkaline electrolyzer properties at $90\,^{\circ}\mathrm{C}$ , 10 bar: (a) hydrogen production, (b) efficiency.