Model Predictive Control for Joint Ramping and Regulation-Type Service from Distributed Energy Resource Aggregations

📄 arXiv: 2405.02813v1 📥 PDF

作者: Joel Mathias, Rajasekhar Anguluri, Oliver Kosut, Lalitha Sankar

分类: eess.SY, math.OC

发布日期: 2024-05-05

备注: 10 pages, 3 figures, to be presented at IEEE PES GM 2024

💡 一句话要点

提出基于模型预测控制的分布式能源聚合方法，用于联合调峰和调频服务。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 分布式能源 能源聚合 调峰调频 智能电网

📋 核心要点

  1. 现有方法在分布式能源聚合的优化配置方面存在不足，难以有效应对电网的实时扰动和调峰需求。
  2. 论文提出基于模型预测控制（MPC）的优化方法，通过滚动时域优化，利用短期负荷预测的准确性，实现分布式能源的有效分配。
  3. 仿真结果表明，该MPC解决方案能够降低大型发电厂的调峰需求，并缓解近实时的电网扰动，提升电网的稳定性和效率。

📝 摘要（中文）

本文研究了如何优化分配不同类型的分布式能源（DERs），每种类型都是相似DERs的聚合，以平衡净需求预测。利用模型预测控制（MPC）解决资源优化配置问题，该方法采用有限时域约束优化的滚动序列。其核心思想是短期内的负荷预测更为准确，因此滚动优化序列中的每次优化都使用更精确的短期负荷预测，同时确保满足容量和动态约束。仿真结果表明，MPC解决方案能够有效减少来自大型发电厂的调峰需求，同时缓解近实时的电网扰动。

🔬 方法详解

问题定义：论文旨在解决分布式能源资源（DERs）聚合后，如何进行最优资源分配，以平衡净需求预测，并提供调峰和调频服务的问题。现有方法可能无法充分利用DERs的灵活性，或者难以应对实时电网扰动，导致调峰效率低下，电网稳定性受损。

核心思路：论文的核心思路是利用模型预测控制（MPC），通过滚动时域优化，根据短期内更准确的负荷预测，动态调整DERs的分配。MPC能够考虑DERs的容量和动态约束，并在满足这些约束的前提下，优化资源分配，从而实现更好的调峰和调频效果。

技术框架：整体框架包括以下几个主要模块：1) 负荷预测模块，用于生成短期负荷预测；2) DERs建模模块，对不同类型的DERs进行建模，包括容量、响应速度等参数；3) 优化模块，基于MPC算法，根据负荷预测和DERs模型，进行资源优化分配；4) 控制执行模块，将优化结果转化为控制信号，发送给各个DERs。整个流程是一个滚动优化的过程，每个时间步都进行一次优化，并根据新的负荷预测结果进行调整。

关键创新：最重要的技术创新点在于将模型预测控制（MPC）应用于分布式能源聚合的资源分配问题。与传统的静态优化方法相比，MPC能够更好地适应电网的动态变化，并利用短期负荷预测的优势，实现更优的资源分配。此外，论文还考虑了不同类型DERs的特性，并将其纳入优化模型中，从而提高了资源分配的灵活性和效率。

关键设计：关键设计包括：1) 优化目标函数，通常包括最小化调峰成本、最大化电网稳定性等；2) 约束条件，包括DERs的容量约束、响应速度约束、电网稳定性约束等；3) 模型预测控制器的参数设置，包括预测时域长度、控制时域长度、滚动优化步长等。这些参数需要根据具体的应用场景进行调整，以达到最佳的控制效果。

📊 实验亮点

仿真结果表明，所提出的MPC解决方案能够有效减少来自大型发电厂的调峰需求，并缓解近实时的电网扰动。具体的性能数据（例如调峰成本降低百分比、电网稳定性提升幅度）在摘要中未明确给出，但总体趋势表明该方法具有显著的优势。

🎯 应用场景

该研究成果可应用于智能电网、微电网等领域，通过优化分布式能源的利用，提高电网的稳定性和效率，降低对传统能源的依赖。在实际应用中，可以根据不同地区的能源结构和负荷特性，灵活配置DERs，实现更智能、更绿色的能源管理。

📄 摘要（原文）

Distributed energy resources (DERs) such as grid-responsive loads and batteries can be harnessed to provide ramping and regulation services across the grid. This paper concerns the problem of optimal allocation of different classes of DERs, where each class is an aggregation of similar DERs, to balance net-demand forecasts. The resulting resource allocation problem is solved using model-predictive control (MPC) that utilizes a rolling sequence of finite time-horizon constrained optimizations. This is based on the concept that we have more accurate estimates of the load forecast in the short term, so each optimization in the rolling sequence of optimization problems uses more accurate short term load forecasts while ensuring satisfaction of capacity and dynamical constraints. Simulations demonstrate that the MPC solution can indeed reduce the ramping required from bulk generation, while mitigating near-real time grid disturbances.