Smart energy management: process structure-based hybrid neural networks for optimal scheduling and economic predictive control in integrated systems

📄 arXiv: 2410.04743v1 📥 PDF

作者: Long Wu, Xunyuan Yin, Lei Pan, Jinfeng Liu

分类: eess.SY, cs.LG, math.OC

发布日期: 2024-10-07

💡 一句话要点

提出基于过程结构的混合神经网络，用于综合能源系统的优化调度和经济预测控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 综合能源系统 神经网络 模型预测控制 优化调度 混合建模

📋 核心要点

  1. 综合能源系统运行面临多时间尺度动态和复杂结构挑战，现有方法难以兼顾全局优化和实时响应。
  2. 提出一种基于过程知识的混合神经网络，将时间序列MLP与系统结构信息融合，构建多时间尺度动态预测模型。
  3. 实验结果表明，所提出的调度器和NEMPC方案分别优于基准方法约25%和40%，整体系统性能提升超过70%。

📝 摘要（中文）

综合能源系统（IESs）是由跨多个领域的各种运行单元组成的复杂系统。为了解决其运行挑战，我们提出了一种基于物理信息的混合时间序列神经网络（NN）代理模型，以预测IESs在多个时间尺度上的动态性能。这种基于神经网络的建模方法为运行单元开发了时间序列多层感知器（MLPs），并将其与关于系统结构和基本动力学的先验过程知识相结合。这种集成形成了三个混合NN（长期、慢速和快速MLPs），它们预测整个系统在多个时间尺度上的动态。利用这些MLPs，我们设计了一个基于NN的调度器和一个基于NN的经济模型预测控制（NEMPC）框架，以满足全局运行要求：对运营商请求的快速电力响应、对客户的充足冷却供应以及提高系统盈利能力，同时解决IESs中存在的动态时间尺度多样性。所提出的日前调度器使用基于ReLU网络的MLP制定，该MLP有效地表示了IES在长期视角下的各种条件下的性能。然后将调度器精确地重铸为混合整数线性规划问题，以进行有效评估。基于慢速和快速MLPs的实时NEMPC包括两个顺序分布式控制代理：一个用于具有较慢瞬态响应的冷却主导子系统的慢速NEMPC，以及一个用于具有更快响应的电力主导子系统的快速NEMPC。广泛的仿真表明，所开发的调度器和NEMPC方案分别优于其各自的基准调度器和控制器约25%和40%。总的来说，与基准方法相比，它们将整体系统性能提高了70%以上。

🔬 方法详解

问题定义：论文旨在解决综合能源系统（IES）的优化调度和经济预测控制问题。现有的方法通常难以同时处理IES中多时间尺度的动态特性、复杂的系统结构以及全局优化目标。传统的控制方法可能无法快速响应需求变化，而简单的模型预测控制可能难以处理大规模系统的复杂性。

核心思路：论文的核心思路是将物理信息融入到神经网络模型中，利用先验的过程知识来指导神经网络的学习，从而提高模型的预测精度和泛化能力。通过构建混合神经网络，可以同时捕捉IES在不同时间尺度上的动态特性，并实现全局优化控制。

技术框架：整体框架包括三个主要模块：1) 基于时间序列MLP的单元建模；2) 基于过程知识的混合神经网络构建（长期、慢速和快速MLPs）；3) 基于神经网络的调度器和经济模型预测控制（NEMPC）。首先，为IES中的每个运行单元建立时间序列MLP模型。然后，将这些MLP模型与关于系统结构和基本动力学的先验知识相结合，构建三个混合神经网络，分别用于预测长期、慢速和快速动态。最后，利用这些MLP模型设计基于神经网络的调度器和NEMPC框架，以实现全局优化控制。NEMPC采用分布式控制结构，分为慢速NEMPC（冷却主导子系统）和快速NEMPC（电力主导子系统）。

关键创新：最重要的技术创新点在于将过程知识融入到神经网络模型中，构建混合神经网络。与传统的黑盒神经网络模型相比，该方法能够更好地利用先验信息，提高模型的预测精度和泛化能力。此外，采用分布式NEMPC结构，能够有效地处理IES中多时间尺度的动态特性。

关键设计：论文中使用了ReLU激活函数的MLP网络，并将其转化为混合整数线性规划问题，以便进行高效求解。NEMPC框架中，慢速NEMPC和快速NEMPC分别针对冷却和电力子系统进行优化控制，通过协调两个子系统的运行，实现全局优化目标。具体的参数设置和损失函数选择在论文中未详细说明，属于未知信息。

📊 实验亮点

实验结果表明，所提出的基于神经网络的调度器和NEMPC方案分别优于其各自的基准调度器和控制器约25%和40%。更重要的是，与基准方法相比，它们将整体系统性能提高了70%以上。这些结果表明，该方法在提高综合能源系统的运行效率和经济性方面具有显著优势。

🎯 应用场景

该研究成果可应用于各种综合能源系统的优化运行和控制，例如智能楼宇、工业园区和区域能源网络。通过提高能源利用效率、降低运行成本和增强系统可靠性，该方法有助于实现可持续能源发展目标，并为智能电网和能源互联网的建设提供技术支持。

📄 摘要（原文）

Integrated energy systems (IESs) are complex systems consisting of diverse operating units spanning multiple domains. To address its operational challenges, we propose a physics-informed hybrid time-series neural network (NN) surrogate to predict the dynamic performance of IESs across multiple time scales. This neural network-based modeling approach develops time-series multi-layer perceptrons (MLPs) for the operating units and integrates them with prior process knowledge about system structure and fundamental dynamics. This integration forms three hybrid NNs (long-term, slow, and fast MLPs) that predict the entire system dynamics across multiple time scales. Leveraging these MLPs, we design an NN-based scheduler and an NN-based economic model predictive control (NEMPC) framework to meet global operational requirements: rapid electrical power responsiveness to operators requests, adequate cooling supply to customers, and increased system profitability, while addressing the dynamic time-scale multiplicity present in IESs. The proposed day-ahead scheduler is formulated using the ReLU network-based MLP, which effectively represents IES performance under a broad range of conditions from a long-term perspective. The scheduler is then exactly recast into a mixed-integer linear programming problem for efficient evaluation. The real-time NEMPC, based on slow and fast MLPs, comprises two sequential distributed control agents: a slow NEMPC for the cooling-dominant subsystem with slower transient responses and a fast NEMPC for the power-dominant subsystem with faster responses. Extensive simulations demonstrate that the developed scheduler and NEMPC schemes outperform their respective benchmark scheduler and controller by about 25% and 40%. Together, they enhance overall system performance by over 70% compared to benchmark approaches.