Scenario-Based Stochastic MPC for Energy Hubs with EV Fleets Under Persistent Grid Outages
作者: Kobena Badu Enyam, Cara Koepele, Timothy Asare, Kevin Wallington, John Lygeros
分类: eess.SY
发布日期: 2026-04-20
备注: 6 pages, 4 figures
💡 一句话要点
针对电网中断下含电动汽车的能源枢纽，提出基于场景的随机模型预测控制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 随机模型预测控制 能源枢纽 电动汽车 微电网 电网中断 场景生成 优化控制
📋 核心要点
- 现有方法在应对概率性电网中断和电动汽车充电需求集成方面存在不足，限制了微电网的经济性和可持续性。
- 论文提出一种基于场景的随机模型预测控制（SMPC），通过预测电网中断和负荷变化，优化能源枢纽的运行策略。
- 实验结果表明，SMPC的性能接近完美预测基准，显著优于朴素MPC和基于规则的控制，降低了成本和排放。
📝 摘要（中文）
为了减少排放和提高应对电网中断的弹性，可再生能源微电网的应用日益广泛。然而，将概率性电网中断和电动汽车（EV）充电需求相结合的研究仍然有限。本文针对这一差距，为一个微电网能源枢纽开发了一种基于场景的随机模型预测控制器（SMPC），该枢纽包括太阳能发电、电池储能、柴油备用电源和一个连接到弱电网的电动汽车车队。电网中断和园区负荷场景分别从连续时间马尔可夫链和高斯过程中生成。使用加纳阿谢西大学能源枢纽的2023年运营数据，我们证明了SMPC实现了接近完美预测基准1%以内的性能。相比之下，假设电网持续可用的朴素MPC在经济或可持续性方面没有优于基于规则的控制，并且两者的成本和排放量都明显高于SMPC。这些结果表明，预测停电对于经济可行性至关重要。最后，我们表明，纳入针对电动汽车消耗不确定性的确定性缓冲消除了超过90%的荷电状态违规，而对总运营成本的影响可忽略不计。
🔬 方法详解
问题定义：论文旨在解决在电网可能发生中断的情况下，如何优化微电网能源枢纽的运行，特别是当该枢纽包含电动汽车车队时。现有方法要么忽略了电网中断的概率性，要么没有充分考虑电动汽车充电需求的不确定性，导致运行成本高、排放量大，并且可能无法满足电动汽车的充电需求。
核心思路：论文的核心思路是利用随机模型预测控制（SMPC），通过生成多个可能的电网中断和负荷场景，预测未来一段时间内的能源需求和供应情况，并优化能源枢纽的运行策略，以最小化成本和排放，同时满足电动汽车的充电需求。这种方法能够提前应对电网中断，避免因突发停电而导致的能源短缺和成本增加。
技术框架：整体框架包括以下几个主要模块：1) 场景生成模块：利用连续时间马尔可夫链模拟电网中断，利用高斯过程模拟园区负荷。2) 随机模型预测控制模块：基于生成的场景，建立优化模型，目标是最小化运行成本和排放，约束包括能源平衡、设备容量限制、电动汽车充电需求等。3) 确定性缓冲模块：为了应对电动汽车消耗的不确定性，引入确定性缓冲，确保电动汽车的荷电状态满足要求。
关键创新：论文的关键创新在于将基于场景的随机模型预测控制应用于包含电动汽车的微电网能源枢纽，并考虑了电网中断的概率性。这使得微电网能够更好地应对电网中断，提高能源利用效率，降低成本和排放。此外，引入确定性缓冲来应对电动汽车消耗的不确定性，进一步提高了系统的鲁棒性。
关键设计：场景生成模块中，马尔可夫链的参数需要根据历史数据进行估计。优化模型的目标函数是运行成本和排放的加权和，权重需要根据实际情况进行调整。确定性缓冲的大小需要根据电动汽车消耗的不确定性程度进行设置。SMPC的预测时域和控制时域需要根据系统的动态特性进行选择。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SMPC的性能接近完美预测基准的1%以内，显著优于朴素MPC和基于规则的控制。与朴素MPC和基于规则的控制相比，SMPC能够显著降低运行成本和排放。此外，通过引入确定性缓冲，SMPC能够消除超过90%的荷电状态违规，而对总运营成本的影响可忽略不计，验证了该方法的有效性和鲁棒性。
🎯 应用场景
该研究成果可应用于各种包含可再生能源、储能和电动汽车的微电网能源枢纽，例如大学校园、工业园区、社区等。通过优化能源管理策略，可以降低运营成本，减少碳排放，提高能源系统的可靠性和弹性，尤其是在电网不稳定的地区具有重要意义。未来可进一步扩展到更大规模的能源网络，实现更高效的能源分配和利用。
📄 摘要（原文）
Emissions reduction and resilience to outages motivate the adoption of renewable microgrids. Surprisingly, research integrating both probabilistic grid outages and electric vehicle (EV) charging requirements remains limited. This paper addresses this gap by developing a scenario-based stochastic model predictive controller (SMPC) for a microgrid energy hub comprising solar generation, battery storage, diesel backup, and an EV fleet connected to a weak grid. Grid outage and campus load scenarios are generated from a continuous-time Markov chain and a Gaussian Process, respectively. Using 2023 operational data from the Ashesi University Energy Hub in Ghana, we demonstrate that the SMPC achieves performance within 1\% of a perfect-forecast benchmark. In contrast, a naive MPC that assumes continuous grid availability offers no economic or sustainability advantage over rule-based control, with both incurring significantly higher costs and emissions than the SMPC. These results highlight that outage anticipation is essential for economic viability. Finally, we show that incorporating a deterministic buffer against EV consumption uncertainty eliminates over 90\% of state-of-charge violations with negligible impact on total operating costs