Data-driven model predictive control of battery storage units

📄 arXiv: 2407.05157v1 📥 PDF

作者: Johannes B. Lipka, Christian A. Hans

分类: eess.SY

发布日期: 2024-07-06

💡 一句话要点

提出数据驱动模型预测控制，用于优化含非线性电池储能系统的电力系统运行。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 数据驱动控制 模型预测控制 电池储能 电力系统 非线性系统

📋 核心要点

  1. 传统电力系统储能控制方法依赖精确的储能动态模型，但大规模储能单元的建模过程繁琐。
  2. 本文提出数据驱动的MPC方法，直接利用输入/输出数据进行控制，避免了显式模型辨识的步骤。
  3. 实验结果表明，所提出的线性数据驱动MPC能有效逼近非线性系统，非线性版本则进一步提升了预测精度。

📝 摘要（中文）

针对电力系统中储能单元控制对储能动态模型的依赖问题，本文提出一种经济的数据驱动模型预测控制（MPC）方案，用于运行具有输入非线性电池动态的小型电力系统。该方法无需显式辨识储能动态，而是直接利用测量到的输入/输出数据进行控制。首先，提出一种线性数据驱动MPC方法，使用松弛变量来解决模型失配问题。然后，推导出一个输入非线性数据驱动MPC方案。与参考方案的比较表明，线性数据驱动MPC在可接受的范围内逼近了非线性系统。而输入非线性数据驱动MPC方案能够提供更高的预测精度，从而获得更好的结果。

🔬 方法详解

问题定义：电力系统中储能单元的优化控制通常需要精确的储能动态模型。然而，随着储能单元数量的增加，精确辨识这些动态模型变得非常困难且耗时。现有的基于模型的控制方法对模型精度要求高，模型不准确会导致控制性能下降。

核心思路：本文的核心思路是利用数据驱动的方法，直接从储能单元的输入/输出数据中学习控制策略，而无需显式地建立储能单元的动态模型。这种方法可以避免模型辨识的复杂性，并能够适应储能单元的非线性特性。

技术框架：该方法主要包含两个阶段：1）线性数据驱动MPC：首先，构建一个线性数据驱动的MPC控制器，并引入松弛变量来处理模型与实际系统之间的不匹配。2）输入非线性数据驱动MPC：然后，推导出一个考虑输入非线性的数据驱动MPC控制器，以进一步提高控制性能。整体流程是，利用历史数据训练MPC控制器，然后在实际电力系统中进行在线控制。

关键创新：该方法最重要的创新在于它是一种完全数据驱动的控制方法，不需要显式的模型辨识步骤。与传统的基于模型的MPC方法相比，该方法更加灵活，能够适应储能单元的非线性特性和时变特性。此外，输入非线性数据驱动MPC方案能够提供更高的预测精度。

关键设计：线性数据驱动MPC的关键设计在于松弛变量的使用，它允许模型与实际系统之间存在一定的偏差，从而提高了控制器的鲁棒性。输入非线性数据驱动MPC的关键设计在于如何有效地利用输入数据来逼近储能单元的非线性动态特性。具体的参数设置和损失函数选择需要根据实际的电力系统和储能单元的特性进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，线性数据驱动MPC能够以可接受的精度逼近非线性储能系统。更重要的是，输入非线性数据驱动MPC方案显著提高了预测精度，从而实现了更好的控制性能。虽然论文中没有给出具体的性能数据和提升幅度，但强调了非线性方法的优越性，暗示了其在实际应用中的潜力。

🎯 应用场景

该研究成果可应用于各种包含电池储能单元的电力系统，例如微电网、智能电网和可再生能源发电系统。通过优化储能单元的运行，可以提高电力系统的效率、稳定性和经济性，促进可再生能源的利用，并降低对传统能源的依赖。未来，该方法可以扩展到其他类型的储能设备和更复杂的电力系统。

📄 摘要（原文）

In many state-of-the-art control approaches for power systems with storage units, an explicit model of the storage dynamics is required. With growing numbers of storage units, identifying these dynamics can be cumbersome. This paper employs recent data-driven control approaches that do not require an explicit identification step. Instead, they use measured input/output data in control formulations. In detail, we propose an economic data-driven model predictive control (MPC) scheme to operate a small power system with input-nonlinear battery dynamics. First, a linear data-driven MPC approach that uses a slack variable to account for plant-model-mismatch is proposed. In a second step, an input-nonlinear data-driven MPC scheme is deduced. Comparisons with a reference indicate that the linear data-driven MPC approximates the nonlinear plant in an acceptable manner. Even better results, however, can be obtained with the input-nonlinear data-driven MPC scheme which provides increased prediction accuracy.