[论文解读] Using solar and load predictions in battery scheduling at the residential level

Richard Bean, Hina Khan|arXiv (Cornell University)|Oct 25, 2018

Smart Grid Energy Management被引用 9

一句话总结

本文提出了一种基于线性规划的电池调度算法，利用预测的太阳能发电量和家庭负荷，在分时电价制度下最小化24小时内居民的电费支出。通过根据预测结果优化电池的充放电周期，该方法相比自动逆变器运行模式可实现1%至10%的电费节省，其性能高度依赖于电价结构和光伏-负荷比。

ABSTRACT

Smart solar inverters can be used to store, monitor and manage a home's solar energy. We describe a smart solar inverter system with battery which can either operate in an automatic mode or receive commands over a network to charge and discharge at a given rate. In order to make battery storage financially viable and advantageous to the consumers, effective battery scheduling algorithms can be employed. Particularly, when time-of-use tariffs are in effect in the region of the inverter, it is possible in some cases to schedule the battery to save money for the individual customer, compared to the "automatic" mode. Hence, this paper presents and evaluates the performance of a novel battery scheduling algorithm for residential consumers of solar energy. The proposed battery scheduling algorithm optimizes the cost of electricity over next 24 hours for residential consumers. The cost minimization is realized by controlling the charging/discharging of battery storage system based on the predictions for load and solar power generation values. The scheduling problem is formulated as a linear programming problem. We performed computer simulations over 83 inverters using several months of hourly load and PV data. The simulation results indicate that key factors affecting the viability of optimization are the tariffs and the PV to Load ratio at each inverter. Depending on the tariff, savings of between 1% and 10% can be expected over the automatic approach. The prediction approach used in this paper is also shown to out-perform basic "persistence" forecasting approaches. We have also examined the approaches for improving the prediction accuracy and optimization effectiveness.

研究动机与目标

• 开发一种基于太阳能与负荷预测的电池调度算法，以最小化居民电费支出。
• 评估优化电池调度与默认自动逆变器模式相比的经济可行性。
• 评估电价结构与光伏-负荷比对节费潜力的影响。
• 比较基于持续性预测方法与更先进方法在电池优化背景下的预测准确性。
• 识别优化能带来显著节费的条件，特别是与上网电价和峰时电价的关系。

提出的方法

• 将电池调度问题建模为线性规划问题，以基于预测的负荷与光伏发电量最小化24小时电费支出。
• 使用83个住宅逆变器的历史每小时负荷与光伏数据，模拟调度性能。
• 采用基于持续性的负荷与光伏功率预测方法，并与“50-50”和“60-40”混合预测方法进行比较。
• 实施电池荷电状态（SOC）约束模型，将SOC维持在20%至100%之间，以防止损坏。
• 在成本函数中整合分时电价与上网电价，并在每天清晨执行优化。
• 使用澳大利亚住宅逆变器的真实世界数据验证结果，假设命令始终被遵守。

实验结果

研究问题

• RQ1 基于太阳能与负荷预测的电池调度是否能相比自动逆变器运行模式降低居民电费？
• RQ2 不同的电价结构（如峰时与非峰时电价）如何影响通过优化实现的节费潜力？
• RQ3 光伏-负荷比对所提出调度算法有效性有何影响？
• RQ4 预测准确性（特别是基于持续性与混合预测方法）如何影响优化结果？
• RQ5 在何种条件下优化无法优于自动模式，原因是什么？

主要发现

• 所提出的算法相比自动逆变器模式可实现1%至10%的电费节省，具体取决于电价结构与光伏-负荷比。
• 当上网电价较高且峰时+腰峰电价与非峰时电价之比升高时，节费效果最显著。
• “50-50”混合预测方法使最多数量的逆变器实现节费，尽管其平均成本略高于“60-40”方法。
• 基于持续性的预测方法（使用24小时前数据）表现不如混合预测方法，尤其是在导致电费增加的逆变器数量方面更差。
• 当长期光伏-负荷比超过1.0时，优化无效，因为自动模式已因高自用率而近乎最优。
• 该算法性能对准确的负荷与太阳能预测高度敏感，预测准确性提升可带来更好的成本最小化效果。