[论文解读] Online Inventory Management with Application to Energy Procurement in Data Centers

Lin Yang, Mohammad Hajiesmaili+4 more|arXiv (Cornell University)|Jan 14, 2019

Optimization and Search Problems参考文献 36被引用 5

一句话总结

本文提出 BatMan 和 BatManRate 两种在线算法，用于具有库存管理约束的在线线性规划，实现最优竞争比。这些算法在数据中心中动态地从波动市场或储存的库存中采购能源，在不确定性条件下最小化成本，且在高可再生能源渗透率和不规则价格模式下显著优于现有方法。

ABSTRACT

Motivated by the application of energy storage management in electricity markets, this paper considers the problem of online linear programming with inventory management constraints. Specifically, a decision maker should satisfy some units of an asset as her demand, either form a market with time-varying price or from her own inventory. The decision maker is presented a price in slot-by-slot manner, and must immediately decide the purchased amount with the current price to cover the demand or to store in inventory for covering the future demand. The inventory has a limited capacity and its critical role is to buy and store assets at low price and use the stored assets to cover the demand at high price. The ultimate goal of the decision maker is to cover the demands while minimizing the cost of buying assets from the market. We propose BatMan, an online algorithm for simple inventory models, and BatManRate, an extended version for the case with rate constraints. Both BatMan and BatManRate achieve optimal competitive ratios, meaning that no other online algorithm can achieve a better theoretical guarantee. To illustrate the results, we use the proposed algorithms to design and evaluate energy procurement and storage management strategies for data centers with a portfolio of energy sources including the electric grid, local renewable generation, and energy storage systems.

研究动机与目标

• 解决在需求不确定和电价随时间变化的数据中心中，最小化能源采购成本的挑战。
• 设计在线算法，通过管理现场储能系统，将用电从高价时段转移到低价时段。
• 在最坏情况输入场景下，实现最优的理论性能保证（竞争比）。
• 在具有不同价格波动性和可再生能源渗透率的多种真实电力市场中，评估算法性能。
• 在高不确定性与不规则市场动态下，证明所提算法的鲁棒性，尤其相较于依赖历史模式的基线方法。

提出的方法

• 开发 BatMan，一种用于库存约束的在线线性规划的在线算法，采用基于对偶的方法，平衡即时采购与未来储存决策。
• 提出 BatManRate 作为扩展，以处理充放电速率约束，建模储能系统相对于容量的有限功率吞吐量。
• 将问题形式化为带有覆盖约束（需求满足）和库存约束（储能容量与流量平衡）的在线线性规划。
• 通过原始-对偶分析框架推导竞争比，证明 BatMan 和 BatManRate 实现了理论上最佳的性能保证。
• 使用来自 NYISO、CAISO 和 DE 市场的真实电价与需求轨迹进行仿真与算法性能评估。
• 通过将充电/放电速率与容量的比值（ρ）进行归一化，实现对多种储能技术（如锂离子、铅酸、飞轮等）的评估。

实验结果

研究问题

• RQ1 在同时存在需求不确定性和电价随时间变化的情况下，在线算法能否实现最优竞争比？
• RQ2 基于历史模式的在线算法（如 PreDay）在高可再生能源渗透率和不规则价格动态下，性能如何退化？
• RQ3 储能系统的速率约束在多大程度上影响在线采购算法的性能？
• RQ4 价格不确定性水平——通过季节性和位置相关的波动性指数 θ 衡量——如何影响在线算法的成本比？
• RQ5 在非周期性、高波动性定价模式的市场中，单一算法能否优于专用方法？

主要发现

• BatMan 在全年范围内的成本比为 1.21–1.23（相对于离线最优解 OPT），意味着其成本仅比理论上最佳解高出 21–23%。
• 在可再生能源渗透率达 50% 的情况下，BatMan 的性能仅轻微下降，而 PreDay 的性能显著退化（例如，成本比从 1.31 上升至 1.37），表明 BatMan 具有更强的鲁棒性。
• 在高波动性市场（如 NYISO 和 CAISO），BatMan 在成本降低方面优于 PreDay 10–15%，其成本比分别为 1.31 和 1.35，而 PreDay 分别为 1.46 和 1.63。
• 在低波动性、具有日周期模式的市场（如德国法兰克福），由于 PreDay 依赖历史模式，其表现最佳，但 BatMan 仍具竞争力，成本比为 1.07（所有地点中最低）。
• BatManRate 的性能随储能速率与容量比（ρ）的提高而改善，表明系统约束更小（如锂离子电池，ρ ≈ 0.35）时，更能从算法的自适应策略中受益。
• 季节性和地理位置的不确定性显著影响算法性能：在最不确定的地区（洛杉矶），BatMan 的成本比达到 1.47，而在最不具不确定性的地区（法兰克福），其成本比降至 1.07。