[论文解读] Stochastic optimal control of a domestic microgrid equipped with solar panel and battery

François Pacaud, Pierre Carpentier+2 more|arXiv (Cornell University)|Jan 19, 2018

Microgrid Control and Optimization参考文献 18被引用 5

一句话总结

本文提出了一种针对配备太阳能电池板和电池储能的家用微电网的随机最优控制框架，比较了在不确定性条件下SDDP（随机对偶动态规划）与MPC（模型预测控制）的性能。SDDP在电费节省方面比MPC高出2%–3%，尤其在极端场景下表现更优，原因在于其对不确定性的处理更优以及对储能的利用更高效，仅带来适度的计算开销。

ABSTRACT

Microgrids are integrated systems that gather and operate energy production units to satisfy consumers demands. This paper details different mathematical methods to design the Energy Management System (EMS) of domestic microgrids. We consider different stocks coupled together - a battery, a domestic hot water tank - and decentralized energy production with solar panel. The main challenge of the EMS is to ensure, at least cost, that supply matches demand for all time, while considering the inherent uncertainties of such systems. We benchmark two optimization algorithms to manage the EMS, and compare them with a heuristic. The Model Predictive Control (MPC) is a well known algorithm which models the future uncertainties with a deterministic forecast. By contrast, Stochastic Dual Dynamic Programming (SDDP) models the future uncertainties as probability distributions to compute optimal policies. We present a fair comparison of these two algorithms to control microgrid. A comprehensive numerical study shows that i) optimization algorithms achieve significant gains compared to the heuristic, ii) SDDP outperforms MPC by a few percents, with a reasonable computational overhead.

研究动机与目标

• 为配备太阳能光伏（PV）、电池、热水箱及热惯性的家用微电网设计最优能量管理系统（EMS）。
• 应对太阳能发电不确定性和电气/热水需求波动下的供需平衡挑战。
• 将SDDP与MPC与启发式方法进行基准对比，评估其在电费节省和对不确定性鲁棒性方面的性能表现。
• 评估实时微电网运行中计算复杂性与控制性能之间的权衡。
• 研究不同算法在随机条件下对储能资产（电池和热水箱）的利用方式。

提出的方法

• 使用连续时间物理方程对微电网的负荷平衡、电池、热水箱及建筑热动力学进行建模。
• 构建包含太阳辐照度、电能需求和热水需求随机变量的随机最优控制问题。
• 采用向后归纳法实现SDDP，离线计算价值函数，从而实现在线决策中基于概率分布的优化。
• 在每个时间步长应用MPC，基于未来不确定性的确定性预测求解滚动时域优化问题。
• 使用1,000个场景的蒙特卡洛模拟评估性能，计算电费和舒适度指标的95%置信区间。
• 对SDDP中未来不确定性的概率分布进行量化，以在精度与计算速度之间取得平衡。

实验结果

研究问题

• RQ1 在太阳能发电和需求具有随机不确定性的情况下，SDDP与MPC在电费节省方面有何差异？
• RQ2 不确定性建模方式（概率性 vs. 确定性预测）对EMS算法性能有何影响？
• RQ3 SDDP与MPC在利用电池和热水箱储能容量方面有何不同？
• RQ4 SDDP相对于MPC的计算成本如何？其性能提升是否值得额外的计算开销？
• RQ5 SDDP是否在各种天气和负荷条件下始终优于MPC，还是存在MPC表现更优的情景？

主要发现

• 在冬季某天，SDDP相比MPC将平均电费降低2.2%，相比启发式方法降低44%。
• 在夏季某天，SDDP相比启发式方法节省44%的电费，相比MPC多节省17%的电费，极端场景下成本降低达35%。
• 在夏季某天的场景评估中，SDDP在93%的场景中优于MPC，通过逐场景对比电费账单结果得出。
• SDDP比MPC更早且更充分地为电池充电，并更有效地利用热水箱储存过剩的光伏电能。
• SDDP的在线计算时间为每步1.5毫秒，仅为MPC的0.5毫秒的3倍，表明计算开销合理。
• SDDP和MPC均能将室内温度维持在设定值以上，但SDDP在不牺牲舒适度的前提下实现了更优的电费节省。