[论文解读] Storage Optimal Control under Net Metering Policies

Md Umar Hashmi, Arpan Mukhopadhyay+2 more|arXiv (Cornell University)|Feb 4, 2020

Smart Grid Energy Management参考文献 31被引用 10

一句话总结

本文提出了一种计算高效的基于阈值的算法，用于在净计量政策（尤其是买/卖电价不等的NEM 2.0）下实现住宅储能系统的最优能量套利。通过利用成本函数的分段线性和凸性结构，并采用拉格朗日对偶分解方法，该方法在二次时间复杂度下计算最优爬坡速率，支持大规模数据集的实时运行，并在标准求解器上实现了显著的加速。

ABSTRACT

Electricity prices and the end user net load vary with time. Electricity consumers equipped with energy storage devices can perform energy arbitrage, i.e., buy when energy is cheap or when there is a deficit of energy, and sell it when it is expensive or in excess, taking into account future variations in price and net load. Net metering policies indicate that many of the utilities apply a {customer selling} rate lower than or equal to the retail {customer buying rate} in order to compensate excess energy generated by end users. In this paper, we formulate the optimal control problem for an end user energy storage device in presence of net metering. We propose a computationally efficient algorithm, with worst case run time complexity of quadratic in terms of number of samples in lookahead horizon, that computes the optimal energy ramping rates in a time horizon. The proposed algorithm exploits the problem's piecewise linear structure and convexity properties for the extit{discretization} of optimal Lagrange multipliers. The solution has a extit{threshold-based structure} in which optimal control decisions are independent of past or future price as well as of net load values beyond a certain time horizon, defined as a extit{sub-horizon}. Numerical results show the effectiveness of the proposed model and algorithm. Furthermore, we investigate the impact of forecasting errors on the proposed technique. We consider an Auto-Regressive Moving Average (ARMA) based forecasting of net load together with the Model Predictive Control (MPC). We numerically show that adaptive forecasting and MPC significantly mitigate the effects of forecast error on energy arbitrage gains.

研究动机与目标

• 为在净计量政策下（特别是买/卖电价不等的NEM 2.0）的住宅储能系统制定最优能量套利问题。
• 开发一种计算高效的算法，能够处理大规模电价和负荷数据并实现实时运行。
• 通过基于ARMA模型的预测结合模型预测控制（MPC），分析预测误差对套利性能的影响。
• 识别决定子时域长度、影子价格和最优控制阈值的关键系统参数。

提出的方法

• 问题被表述为在连续时间点之间能量水平差值上的凸、分段线性优化问题。
• 应用拉格朗日对偶分解，将连续优化问题转化为基于累积对偶变量的离散问题。
• 证明最优控制策略具有阈值结构，其中控制动作仅依赖于当前电池状态和一个时间局部化的累积拉格朗日乘子。
• 通过利用成本函数的分段线性特性和凸性，高效计算最优拉格朗日乘子，支持类似动态规划的高效计算。
• 引入子时域概念，使得控制决策独立于该时域之外的价格和负荷变化，从而降低计算负担。
• 将该方法与模型预测控制（MPC）结合，利用ARMA模型预测电价、负荷和可再生能源发电，以处理不确定性。

实验结果

研究问题

• RQ1 在买/卖电价不等的净计量政策下，如何高效计算最优能量套利？
• RQ2 在大规模数据下实现实时求解最优储能控制问题的计算复杂度是多少？
• RQ3 电价和负荷的预测误差如何影响套利收益？是否可以缓解？
• RQ4 决定子时域长度的关键系统参数是什么？该时域之外的未来信息为何不影响当前决策？
• RQ5 充电/放电效率、爬坡速率和储能容量如何影响基于阈值的控制策略？

主要发现

• 所提算法在前瞻时域样本数上的最坏时间复杂度为O(n²)，显著优于标准线性规划和凸优化求解器。
• 对于100,000个样本的时域，算法运行时间随样本数近似线性增长，表现出良好的可扩展性。
• 该算法比基于CVX的凸优化和标准LP求解器快几个数量级，适用于实时部署。
• 当时域较大时，平均子时域长度稳定在约11个样本（标准差~7.28），表明该时域之外的未来价格和负荷变化不影响当前决策。
• 结合ARMA模型的自适应预测与MPC显著降低了预测误差对套利收益的负面影响。
• 敏感性分析表明，子时域长度由电价波动性、效率、采样时间以及爬坡速率与额定容量之比决定。