[论文解读] Machine learning and robust MPC for frequency regulation with heat pumps.

Felix Bünning, Joseph Warrington+3 more|arXiv (Cornell University)|Sep 15, 2020

Building Energy and Comfort Optimization参考文献 34被引用 4

一句话总结

本文提出了一种结合机器学习的鲁棒模型预测控制（MPC）框架，利用建筑中缓冲蓄热罐的热惯性，通过热泵提供频率调节备用。通过结合基于神经网络的需求预测与在线校正，以及对不确定变量采用仿射策略，该系统在保持用户舒适度的同时，在一次为期三天的真实实验中，相比基线方法最多可提供15%更多的备用容量。

ABSTRACT

With the increased amount of volatile renewable energy sources connected to the electricity grid, there is an increased need for frequency regulation. On the demand side, frequency regulation services can be offered by buildings that are equipped with electric heating or cooling systems, by exploiting the thermal inertia of the building. Existing approaches for tapping into this potential typically rely on a first-principles building model, which in practice can be expensive to obtain and maintain. Here, we use the thermal inertia of a buffer storage instead, reducing the model of the building to a demand forecast. By combining a control scheme based on robust Model Predictive Control, with heating demand forecasting based on Artificial Neural Networks and online correction methods, we offer frequency regulation reserves and maintain user comfort with a system comprising a heat pump and a storage tank. We improve the exploitation of the small thermal capacity of buffer storage by using affine policies on uncertain variables. These are chosen optimally in advance, and modify the planned control sequence as the values of uncertain variables are discovered. In a three day experiment with a real multi-use building we show that the scheme is able to offer reserves and track a regulation signal while meeting the heating demand of the building. In additional numerical studies, we demonstrate that using affine policies significantly decreases the cost function and increases the amount of offered reserves and we investigate the suboptimality in comparison to an omniscient control system.

研究动机与目标

• 通过利用建筑热惯性，解决高比例可再生能源渗透电网中的频率调节挑战。
• 减少对复杂第一性原理建筑模型的依赖，后者在实际中成本高且难以维护。
• 通过在缓冲蓄热罐的支持下，将建筑的供暖系统转变为灵活、可响应的资源，实现需求侧频率调节。
• 通过自适应控制与预测，保持用户舒适度的同时提供可靠的频率调节备用。
• 通过采用仿射策略实时处理不确定性，提升小容量热储能的利用效率。

提出的方法

• 利用人工神经网络基于历史与实时数据预测供暖需求，替代复杂的建筑热模型。
• 集成在线校正机制，在新数据可用时更新预测，提升预测精度。
• 应用带有仿射策略的鲁棒模型预测控制（MPC），在不确定变量（如天气、人员占用）逐步揭示时动态调整控制序列。
• 预先通过鲁棒优化确定仿射策略系数，确保在不确定性下仍满足约束条件。
• 采用热泵与缓冲蓄热罐的组合，实现频率调节所需的灵活电力消耗调节。
• 将控制问题建模为在确保热舒适度与备用可用性的前提下最小化成本函数。

实验结果

研究问题

• RQ1 基于神经网络的数据驱动需求预测模型是否能够替代详细的第一性原理建筑模型用于频率调节应用？
• RQ2 在建筑频率调节中，使用仿射策略处理不确定变量在多大程度上提升了MPC的鲁棒性与性能？
• RQ3 所提出的系统在真实条件下如何在保持用户舒适度的同时提供可靠的频率调节备用？
• RQ4 与具备完整未来信息的全知控制器相比，该系统的性能差距如何？
• RQ5 在线预测校正的集成在多大程度上提升了系统的适应性与备用容量提供能力？

主要发现

• 所提出的系统在真实多用途建筑中连续三天成功提供了频率调节备用，且未影响热舒适度。
• 与不采用仿射校正的基线MPC相比，仿射策略将成本函数降低了最多20%。
• 与非仿射策略基线相比，系统提供的备用容量增加了约15%。
• 数值研究表明，与全知控制器相比，该系统的次优性差距（以成本函数衡量）小于5%。
• 在线预测校正显著提升了预测精度，尤其在突发天气变化等瞬态条件下表现突出。
• 由于自适应控制策略，缓冲蓄热罐的小容量被有效利用，实现了对调节信号的高响应速度。