负荷不确定性下POWER-SONIC蓄电池运行的最优调度
2026-06-22 15:26:38 点击： 次
本文研讨了考虑能量负荷不确认性的电池储能体系运转的最优调度问题。咱们开发了一种新式的两阶段散布鲁棒优化模型，以确认一个最优的电池运用计划，然后在考虑峰值负荷本钱的情况下最小化最坏情况下的动力本钱。该模型运用根据深度学习的概率猜测来构建模糊集。详细而言，咱们开发了一个Deep Autoregressive Recurrent Networks模型，用于生成时刻跨度内的能量负荷概率猜测。猜测模型的输出随后被用于为散布鲁棒优化模型构建边沿矩模糊集。为了求解所提出的模型，咱们建立了最优第二阶段方针函数值的闭式表征。运用这一闭式表达式并结合二阶锥对偶性，咱们推导出了该问题的准确单层混合整数二阶锥重构方式。在真实数据集上进行的广泛核算试验证明了咱们所提模型的价值以及由此产生的电池调度的有用性。结果表明，所提模型优于包含两阶段随机规划在内的多个基准办法。此外，负荷猜测的准确性明显影响最优电池调度消除峰值负荷的效果，最高可完成最大能量削减达18%。
要害词
散布鲁棒优化
;
二阶锥规划
;
概率猜测
;
动力办理
;
电池储能体系
导言
全球动力耗费量一直在明显上升，这首要受人口增长、快速工业化、经济发展和技术进步等多种要素的推动。International Energy Agency (IEA)开展的一项研讨强调了对动力日益增长的需求，估量到2040年，动力需求将比当时水平增长25%（I E Agency [1]）。全球约30-45%的动力运用归因于修建，包含住所、教育、办公和医疗保健修建，其中很大一部分动力被各种修建子体系所耗费，如制冷和供暖体系、安全体系、水体系、照明以及其他互连的子体系（Mariano-Hernandez et al. [2], Ashouri et al. [3], Shan et al. [4]）。近年来，研讨人员越来越认识到高效办理动力耗费的重要性，这首要是由经济优势和对环境可持续性的长时刻寻求所驱动的（Zafar et al. [5]）。
除了动力增长的整体趋势外，办理峰值负荷也受到了明显重视。在Energy Management Systems（EMS）中，峰值负荷是指全天内短时刻内观察到的最高能耗水平（Uddin等[6]）。峰值需求一般出现在高能耗期间，例如炎热的夏季白天或同时运用多种电器的夜晚，其发生时刻因消费者类型（如住所、工业）和季节而异。为了办理峰值负荷，会运用调峰电厂，但与基荷电厂比较，它们需求更多资源并产生更高的运转和保护本钱（Fleten等[7]）。完成更可持续运营的一种替代办法是将削峰作为一种有用策略来考虑（Joshi和Pindoriya[8]）。削峰是一种旨在降低高需求期间用电量的动力办理技术，对于办理峰值负荷的波动性非常有用。它还有助于提高发电厂的效率，然后削减碳排放和降低污染（Sardi等[9]）。为了应对峰值需求期，微电网能够运用电池或其他储能体系的储存能量来弥补电网，减轻主电力基础设施的担负（Al-Ismail[10]，Abbasi等[11]）。这种削峰不只提高了电网的稳定性和可靠性，还有助于缓解对贵重的...的需求。
确认何时运用储能的要害应战在于动力负荷需求的不确认性，这首要由用户消费行为的改变所驱动（Di Piazza等[12]）。在动力负荷办理的更广泛布景下，现有文献已探究了多种办法来应对负荷不确认性。例如，Bagheri等[13]提出了一种两阶段随机规划模型，用于散布式动力资源的优化装备与运转以完成削峰填谷。Wang等[14]开发了一种鲁棒优化模型，用于高效的家用电器运用调度以最小化动力本钱。虽然先前的研讨现已探讨了用于办理峰值负荷的随机和鲁棒优化模型，但在实际应用中，负荷需求方式或许无法完全由已知的概率散布来描绘（Munkhammar等[15]）。因此，在决定运用储能来缓解峰值负荷时，不只需求考虑环绕负荷需求的不确认性，还需求考虑到这种不确认性或许并不符合已知的概率散布。
在本文中，咱们提出了一种新式的两阶段散布鲁棒优化（DRO）模型，用于电池储能体系（BESS）中的电池运用调度。本研讨的首要动机源于在运用电池储能体系时，不只需求考虑动力需求方式的不确认性，还需求运用猜测办法来有用表征这种不确认性。为了处理这一问题，所提出的模型旨在寻觅一个最优的电池部署计划，以最小化在控制动力需求耗费随时刻改变的概率散布族下的最坏情况预期峰值负荷本钱和总动力本钱。这些散布具有一起的核算特性，这些特性是通过深度学习技术估量的，而不是仅仅依靠历史数据。散布鲁棒优化框架在随机规划（SP）中假定完全掌握需求概率，以及鲁棒优化（RO）中一般疏忽部分散布信息的做法之间取得了平衡。拟合实际概率散布的应战限制了SP的应用，而RO中防止运用部分信息或许会导致决议计划过于保存且质量低下，由于它仅考虑不确认集内的最坏情况场景（Li等[16]）。散布鲁棒优化框架运用了部分散布信息，而不依靠于特定的prob...
论文结构 本文的结构组织如下：在第2节中，咱们回忆相关文献并说明本研讨的定位。在第3节中，咱们正式定义问题，介绍所提出的两阶段DRO模型，推导其准确重构方式，并提出用于概率猜测的DeepAR模型。第4节概述试验设置、数据集以及用于评价所提模型质量的基准模型。在第5节中，咱们评论核算试验的结果并进行敏感性剖析。