[论文解读] Optimal Battery Control Under Cycle Aging Mechanisms in Pay for Performance Settings

Yuanyuan Shi, Bolun Xu+3 more|arXiv (Cornell University)|Sep 17, 2017

Advanced Battery Technologies Research被引用 7

一句话总结

本文提出了一种在线电池控制策略，结合使用凸的、电化学准确的基于雨流循环的退化模型，联合优化循环老化与按绩效付费的惩罚。该方法实现了近乎最优的性能，具有有界的、时间不变的最优性差距，并在PJM调频市场中，与贪婪策略和模型预测控制（MPC）方法相比，运营成本降低超过30%，电池寿命延长3–4倍。

ABSTRACT

We study the optimal control of battery energy storage under a general "pay-for-performance" setup such as providing frequency regulation and renewable integration. In these settings, batteries need to carefully balance the trade-off between following the instruction signals and their degradation costs in real-time. Existing battery control strategies either do not consider the uncertainty of future signals, or cannot accurately account for battery cycle aging mechanism during operation. In this work, we take a different approach to the optimal battery control problem. Instead of attacking the complexity of battery degradation function or the lack of future information one at a time, we address these two challenges together in a joint fashion. In particular, we present an electrochemically accurate and trackable battery degradation model called the rainflow cycle-based model. We prove the degradation cost is convex. Then we propose an online control policy with a simple threshold structure and show it achieve near-optimal performance with respect to an offline controller that has complete future information. We explicitly characterize the optimality gap and show it is independent to the duration of operation. Simulation results with both synthetic and real regulation traces are conducted to illustrate the theoretical results.

研究动机与目标

• 为实时按绩效付费应用（如频率调节）中的电池循环老化与缺乏未来信号信息的联合挑战提供解决方案。
• 开发一种控制策略，在无需未来信号知识的前提下，平衡退化成本与不匹配惩罚。
• 构建一种计算上可行、电化学准确的退化模型，以实现电池控制的凸优化。
• 与现有的贪婪策略和模型预测控制（MPC）策略相比，显著降低运营成本并延长电池寿命。
• 建立在线策略与具备完整未来信息的离线最优控制器之间性能差距的理论边界。

提出的方法

• 提出一种基于雨流循环的退化模型，准确捕捉循环老化效应，并证明由此产生的退化成本是凸的。
• 设计一种具有简单阈值结构的在线控制策略，根据预测的循环深度动态限制充放电速率。
• 采用凸优化框架，将电池控制问题建模为带约束的在线随机控制问题。
• 推导出所提出的在线策略与具备完整未来信息的离线控制器之间的时间不变最坏情况最优性差距。
• 采用模型预测控制（MPC）并假设具备完美未来预测作为性能基准，尽管承认其因信号不可预测性而实际不可行。
• 使用PJM市场中的合成数据和真实调节信号轨迹（包括历史RegD信号）对方法进行验证。

实验结果

研究问题

• RQ1 对电池循环老化与缺乏未来信号信息的联合处理，是否能导出一种计算可行且近乎最优的在线控制策略？
• RQ2 基于雨流循环的退化模型是否能产生凸的成本函数，从而实现高效优化？
• RQ3 在线策略与具备完整未来知识的离线最优控制器之间的理论性能差距是多少？
• RQ4 在真实市场条件下，与贪婪策略和基于MPC的控制器相比，所提出的策略在成本和电池寿命方面表现如何？
• RQ5 所提出的策略是否能在按绩效付费应用中显著降低运营成本并延长电池寿命？

主要发现

• 在典型的PJM调频市场惩罚价格下，所提出的在线控制策略相比贪婪策略和基于MPC的控制器，运营成本降低超过30%。
• 与贪婪控制器相比，电池寿命延长了3–4倍，且显著优于MPC控制器，原因在于循环深度降低。
• 所提出的在线策略与离线最优控制器之间的最优性差距是有界的，且与运行时长无关。
• 基于雨流循环的退化模型准确捕捉了循环老化效应，并支持凸优化，使控制问题具有可计算性。
• 即使在不完美的未来信号预测条件下（例如60步预测时域），基于MPC的方法仍表现不佳，原因在于对循环深度的低估和控制动作过于激进。
• 在某些市场场景下，所提出的策略为严格最优，并在不同惩罚价格下均保持近乎最优的性能。