[论文解读] Stochastic MPC for energy hubs using data driven demand forecasting

Varsha Behrunani, Francesco Micheli+3 more|arXiv (Cornell University)|Jan 1, 2023

Advanced Control Systems Optimization被引用 1

一句话总结

本文提出了一种用于能源枢纽的随机模型预测控制（MPC）框架，采用基于高斯过程（GP）的数据驱动预测方法，以预测不确定的电力与热力需求。通过从GP模型中采样多步需求轨迹，并应用场景法，该方法求解了一个机会约束优化问题，在显著降低约束违反率的同时，维持了较低的运行成本——在真实建筑数据上验证，置信水平为95%，100个场景下实现了接近最优的性能。

ABSTRACT

Energy hubs convert and distribute energy resources by combining different energy inputs through multiple conversion and storage components. The optimal operation of the energy hub exploits its flexibility to increase the energy efficiency and reduce the operational costs. However, uncertainties in the demand present challenges to energy hub optimization. In this paper, we propose a stochastic MPC controller to minimize energy costs using chance constraints for the uncertain electricity and thermal demands. Historical data is used to build a demand prediction model based on Gaussian processes to generate a forecast of the future electricity and heat demands. The stochastic optimization problem is solved via the Scenario Approach by sampling multi-step demand trajectories from the derived prediction model. The performance of the proposed predictor and of the stochastic controller is verified on a simulated energy hub model and demand data from a real building.

研究动机与目标

• 为解决能源枢纽运行中电力与热力需求不确定性的挑战。
• 通过先进的预测控制提升能源效率并降低运行成本。
• 开发一种数据驱动的预测模型，利用高斯过程捕捉建筑能源需求中的不确定性。
• 通过场景法将预测不确定性整合到随机MPC框架中，实现鲁棒控制。
• 基于苏黎世联邦理工学院ETZ大楼的真实需求数据及模拟能源枢纽，验证控制器的性能。

提出的方法

• 基于历史数据训练高斯过程（GP）模型，以实现对多步电力与热力需求的预测，并量化不确定性。
• GP预测器在每个时间步生成50条多步需求轨迹样本，以表征未来的需求不确定性。
• 将随机MPC问题表述为机会约束优化问题，以限制违反热力与电功率限制的概率。
• 通过从GP模型中采样轨迹应用场景法，将机会约束问题转化为确定性鲁棒优化问题。
• 在每个控制周期内实时求解该优化问题，获得联合热电联产（CHP）、热泵、锅炉、储能及光伏单元的最优调度。
• 控制器使用苏黎世联邦理工学院ETZ大楼的真实需求数据及模拟能源枢纽进行评估。

实验结果

研究问题

• RQ1 基于GP的模型在真实建筑中对多步电力与热力需求的预测精度如何？
• RQ2 与具有完美预测的确定性MPC相比，基于场景的随机MPC在多大程度上减少了约束违反？
• RQ3 采样场景数量如何影响运行成本与约束违反概率之间的权衡？
• RQ4 所提出的框架是否能在确保95%置信水平满足热力与电能负荷约束的同时，维持较低的运行成本？
• RQ5 与具备完美需求知识的基线方法相比，MPC控制器在真实不确定性条件下的表现如何？

主要发现

• 在所有预测时域（最长24小时）内，GP预测的中位数预测误差在电力方面保持在±5%以内，热力方面保持在±10%以内。
• 在100个采样场景下，控制器将平均运行成本降低至59.28 CHF/h，接近完美预测基线的59.01 CHF/h。
• 约束违反次数从3个场景时的25%显著下降至100个场景时的近乎为零，累计违反量减少了80%以上。
• 当场景数从3增加到100时，热力约束违反的实证分布显示其严重性与频率均大幅降低。
• MPC控制器表现出强鲁棒性，在需求不确定条件下仍能维持低成本与高可靠性，验证了场景法的有效性。
• 仅使用100个场景，框架即实现了95%的约束满足置信水平，证实了该方法在实时控制中的可扩展性与实用性。