Accounting for Optimal Control in the Sizing of Isolated Hybrid Renewable Energy Systems Using Imitation Learning
作者: Simon Halvdansson, Lucas Ferreira Bernardino, Brage Rugstad Knudsen
分类: eess.SY, cs.LG
发布日期: 2026-01-07
备注: 11 pages, 9 figures
💡 一句话要点
提出基于模仿学习的混合可再生能源系统容量优化方法，考虑最优控制。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 孤立能源系统 容量优化 模仿学习 模型预测控制 可再生能源 储能系统 碳减排
📋 核心要点
- 孤立能源系统脱碳需要大量间歇性可再生能源，但其有效减排取决于储能容量、可再生能源的随机性和最优控制策略。
- 本文采用模仿学习方法，对随机神经模型预测控制（MPC）进行建模，从而将储能和风电容量与减排和投资成本关联。
- 通过案例研究，验证了该框架在海上能源系统中的有效性，揭示了投资成本与天然气使用量减少之间的复杂关系。
📝 摘要（中文）
本文提出了一种灵活且计算高效的孤立能源系统中储能和可再生能源容量优化框架，该框架考虑了可再生能源发电的不确定性和最优反馈控制。通过模仿学习方法，实现了随机神经模型预测控制（MPC），从而将电池储能和风电峰值容量与减排和投资成本联系起来，同时考虑了有限范围的最优控制。决策者可以在任何价格点评估不同储能和风电容量的有效减排和成本，并考虑可再生能源发电的不确定性。通过海上能源系统的案例研究，验证了所提出的容量优化框架，该系统包含燃气轮机、风电场和电池储能系统（BESS）。研究结果表明，投资成本与天然气使用量减少之间存在非线性关系，强调了在孤立能源系统设计中考虑最优控制的复杂性和重要性。
🔬 方法详解
问题定义：论文旨在解决孤立混合可再生能源系统（如离网系统）的容量优化问题，即如何确定储能系统和可再生能源（如风能）的最佳容量，以在降低碳排放的同时最小化投资成本。现有方法难以在系统容量规划阶段充分考虑有限时间范围内的最优控制策略，导致次优的系统设计。
核心思路：论文的核心思路是利用模仿学习来近似最优控制策略，并将其嵌入到系统容量优化框架中。通过模仿学习，可以学习到一个策略，该策略能够根据当前系统状态（如电池电量、风力发电量）做出最优的能量调度决策，从而在容量规划阶段考虑到控制策略的影响。
技术框架：该框架包含以下主要模块：1) 场景生成模块，用于模拟可再生能源发电的不确定性；2) 最优控制策略学习模块，使用模仿学习训练一个神经网络来近似最优控制策略；3) 容量优化模块，利用学习到的控制策略评估不同储能和风电容量组合的成本和减排效果，并选择最优的容量配置。整体流程是：首先生成多个可再生能源发电场景，然后使用模型预测控制（MPC）生成专家数据，接着使用模仿学习训练神经网络策略，最后在容量优化阶段使用该策略评估不同容量配置。
关键创新：该论文的关键创新在于将模仿学习应用于孤立能源系统的容量优化问题，从而能够在系统设计阶段考虑到最优控制策略的影响。与传统方法相比，该方法能够更准确地评估不同容量配置的成本和减排效果，从而实现更优的系统设计。此外，使用模仿学习可以显著降低计算复杂度，使得大规模的容量优化成为可能。
关键设计：模仿学习部分，使用神经网络作为策略模型，输入是系统状态（如电池电量、风力发电量），输出是控制动作（如电池充放电功率、燃气轮机发电量）。损失函数采用均方误差，衡量神经网络策略与专家策略（MPC）之间的差异。容量优化部分，使用遗传算法等优化方法搜索最优的储能和风电容量配置，目标函数是最小化投资成本和碳排放。
📊 实验亮点
通过对海上能源系统的案例研究，结果表明，投资成本与天然气使用量减少之间存在非线性关系，强调了在孤立能源系统设计中考虑最优控制的重要性。该研究验证了所提出的容量优化框架的有效性，并为实际工程应用提供了参考。
🎯 应用场景
该研究成果可应用于偏远地区、海岛、矿区等孤立能源系统的规划设计，帮助决策者在可再生能源和储能的投资决策中做出更明智的选择，实现经济效益和环境效益的双赢。此外，该方法还可以推广到其他类型的能源系统，例如微电网和智能电网。
📄 摘要（原文）
Decarbonization of isolated or off-grid energy systems through phase-in of large shares of intermittent solar or wind generation requires co-installation of energy storage or continued use of existing fossil dispatchable power sources to balance supply and demand. The effective CO2 emission reduction depends on the relative capacity of the energy storage and renewable sources, the stochasticity of the renewable generation, and the optimal control or dispatch of the isolated energy system. While the operations of the energy storage and dispatchable sources may impact the optimal sizing of the system, it is challenging to account for the effect of finite horizon, optimal control at the stage of system sizing. Here, we present a flexible and computationally efficient sizing framework for energy storage and renewable capacity in isolated energy systems, accounting for uncertainty in the renewable generation and the optimal feedback control. To this end, we implement an imitation learning approach to stochastic neural model predictive control (MPC) which allows us to relate the battery storage and wind peak capacities to the emissions reduction and investment costs while accounting for finite horizon, optimal control. Through this approach, decision makers can evaluate the effective emission reduction and costs of different storage and wind capacities at any price point while accounting for uncertainty in the renewable generation with limited foresight. We evaluate the proposed sizing framework on a case study of an offshore energy system with a gas turbine, a wind farm and a battery energy storage system (BESS). In this case, we find a nonlinear, nontrivial relationship between the investment costs and reduction in gas usage relative to the wind and BESS capacities, emphasizing the complexity and importance of accounting for optimal control in the design of isolated energy systems.