Economic Nonlinear Model Predictive Control of Prosumer District Heating Networks: The Extended Version
作者: Max Sibeijn, Saeed Ahmed, Mohammad Khosravi, Tamás Keviczky
分类: eess.SY
发布日期: 2025-01-29
💡 一句话要点
提出经济非线性模型预测控制算法，优化含产消者区域供热网络。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 区域供热网络 模型预测控制 非线性优化 产消者 智能能源管理
📋 核心要点
- 传统区域供热网络难以有效整合分布式能源和储能，优化运行成本。
- 提出基于图的优化模型，集成产消者、生产者、储能和双向管道，用于实时MPC。
- 实验表明，该MPC方法比传统规则控制器成本降低9%，并更好地维持系统约束。
📝 摘要（中文）
本文提出了一种用于区域供热网络（DHN）的经济非线性模型预测控制（MPC）算法。该方法考虑了产消者、多个生产者和储能系统，这些都是第四代DHN的重要组成部分。这些网络的特点是能够优化其运行，旨在降低供应温度，适应分布式热源，并利用热惯性和储能提供的灵活性，这对于实现无化石燃料能源供应至关重要。开发智能能源管理系统来实现这些目标需要高度复杂非线性系统的详细模型和能够处理大规模优化问题的计算算法。为此，我们引入了一种基于图的面向优化的模型，该模型有效地集成了分布式生产者、产消者、储能缓冲器和双向管道流，使其可以在实时MPC设置中实现。此外，我们进行了多次数值实验，以评估所提出的算法在闭环中的性能。我们的研究结果表明，与传统的基于规则的控制器相比，MPC方法在更好地维持系统约束的同时，实现了高达9%的成本改进。
🔬 方法详解
问题定义：论文旨在解决区域供热网络（DHN）的经济优化问题，尤其是在包含产消者、多个生产者和储能系统的新型DHN中。现有方法，如传统的基于规则的控制器，无法充分利用分布式能源和储能的灵活性，导致运行成本较高，且难以满足日益严格的系统约束。
核心思路：论文的核心思路是利用非线性模型预测控制（MPC）算法，通过预测未来一段时间内的系统状态，优化控制变量，从而在满足约束条件的前提下，最小化运行成本。关键在于建立一个能够有效描述复杂DHN动态特性的优化模型，并设计高效的优化算法。
技术框架：整体框架包括以下几个主要模块：1) 基于图的DHN模型：用于描述网络拓扑结构和各组件的物理特性；2) 非线性动态模型：用于预测系统状态随时间的变化；3) 经济目标函数：用于量化运行成本，例如能源消耗、维护费用等；4) MPC优化器：用于求解最优控制序列，例如各生产者的输出功率、储能系统的充放电策略等。该框架通过迭代优化，不断调整控制策略，以适应不断变化的需求和环境条件。
关键创新：最重要的技术创新点在于提出了一种基于图的面向优化的模型，能够有效地集成分布式生产者、产消者、储能缓冲器和双向管道流。这种模型能够简洁地描述复杂DHN的拓扑结构和物理特性，并便于在MPC框架中进行优化。与传统的集中式模型相比，该模型具有更好的可扩展性和灵活性，能够适应不同规模和配置的DHN。
关键设计：关键设计包括：1) 图模型的节点和边的定义，用于表示DHN中的各种组件和连接关系；2) 非线性动态模型的具体形式，例如管道中的热传输方程、储能系统的能量平衡方程等；3) 经济目标函数的具体形式，例如能源价格、维护成本等；4) MPC优化器的求解算法，例如序列二次规划（SQP）等。这些设计需要根据具体的DHN特性进行调整和优化。
🖼️ 关键图片
📊 实验亮点
数值实验结果表明，所提出的MPC方法在闭环控制中表现出色，与传统的基于规则的控制器相比，实现了高达9%的成本改进。此外，该MPC方法能够更好地维持系统约束，例如温度限制和压力限制，确保系统的安全稳定运行。这些结果验证了该方法的有效性和优越性。
🎯 应用场景
该研究成果可应用于智能楼宇、工业园区和城市区域供热系统的优化运行。通过降低能源消耗和运行成本，提高能源利用效率，有助于实现节能减排和可持续发展目标。未来，该方法可以进一步扩展到包含更多类型能源（如电力、天然气）的综合能源系统中，实现多能协同优化。
📄 摘要（原文）
In this paper, we propose an economic nonlinear model predictive control (MPC) algorithm for district heating networks (DHNs). The proposed method features prosumers, multiple producers, and storage systems, which are essential components of 4th generation DHNs. These networks are characterized by their ability to optimize their operations, aiming to reduce supply temperatures, accommodate distributed heat sources, and leverage the flexibility provided by thermal inertia and storage, all crucial for achieving a fossil-fuel-free energy supply. Developing a smart energy management system to accomplish these goals requires detailed models of highly complex nonlinear systems and computational algorithms able to handle large-scale optimization problems. To address this, we introduce a graph-based optimization-oriented model that efficiently integrates distributed producers, prosumers, storage buffers, and bidirectional pipe flows, such that it can be implemented in a real-time MPC setting. Furthermore, we conduct several numerical experiments to evaluate the performance of the proposed algorithms in closed-loop. Our findings demonstrate that the MPC methods achieved up to 9% cost improvement over traditional rule-based controllers while better maintaining system constraints.