Forecast and Model Predictive Control of Distributed Energy Resource Aggregators for Net-Demand Balancing

📄 arXiv: 2606.06932v1 📥 PDF

作者: Obai Bahwal, Oliver Kosut, LalithaSankar

分类: eess.SY

发布日期: 2026-06-05

💡 一句话要点

提出基于预测与模型预测控制的DERA调度方法以解决净需求平衡问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 分布式能源 模型预测控制 负载预测 长短期记忆网络 智能电网 可再生能源管理

📋 核心要点

  1. 现有方法在应对快速增长的能源需求和供应不确定性方面存在不足，无法有效平衡净需求。
  2. 论文提出了一种结合预测与模型预测控制的新方法，利用DERAs作为虚拟电池来调度和控制分散的能源资源。
  3. 实验结果表明，LSTM模型在负载预测方面相较于线性回归模型具有一定优势，能够更好地跟踪边际需求。

📝 摘要（中文）

随着能源需求的快速增长，单靠大规模可再生能源无法完全满足需求，同时也增加了供应的不确定性。分布式能源资源聚合器（DERAs）通过聚合和控制分散的能源源，能够有效应对这种不确定性，类似于虚拟电厂。本文提出了一种新方法，将预测与模型预测控制相结合，使DERAs能够跟随净需求模式，同时考虑聚合能源源的动态特性和容量限制。每个DERA被视为一个灵活的“虚拟电池”，具有充电状态和功率限制的约束。调度问题被设定为长期模型预测控制任务，旨在最小化与期望充电水平、输出变化和净负载跟踪误差的差异。为保持实时操作的高效性，采用了滚动视野MPC，定期使用最新的边际需求预测更新决策。

🔬 方法详解

问题定义：本文旨在解决分布式能源资源聚合器（DERAs）在快速变化的能源需求和供应不确定性下的调度问题。现有方法未能有效应对这些挑战，导致净需求平衡困难。

核心思路：提出将预测与模型预测控制（MPC）相结合的框架，使DERAs能够动态调整以适应净需求模式。通过将DERAs视为“虚拟电池”，能够灵活应对充电状态和功率限制。

技术框架：整体架构包括两个主要模块：首先是负载预测模块，使用线性回归和长短期记忆（LSTM）神经网络进行边际需求预测；其次是模型预测控制模块，基于预测结果进行调度决策，采用滚动视野MPC以实时更新决策。

关键创新：本研究的创新点在于将负载预测与MPC结合，形成一个动态调度框架，能够实时响应需求变化，显著提升了DERAs的调度效率。与传统方法相比，能够更好地适应复杂的能源需求模式。

关键设计：在模型设计中，采用了LSTM网络进行负载预测，考虑了充电状态和功率限制的约束条件。损失函数设计为最小化期望充电水平、输出变化和净负载跟踪误差之间的差异。

📊 实验亮点

实验结果显示，LSTM模型在负载预测方面相较于线性回归模型具有明显优势，能够更准确地跟踪边际需求。具体而言，LSTM模型在不同时间范围和预测更新频率下表现出更好的调度性能，提升了整体系统的响应能力。

🎯 应用场景

该研究的潜在应用领域包括智能电网、可再生能源管理和电力市场调度等。通过提高DERAs的调度效率，可以更好地应对可再生能源的波动性，促进可持续能源的利用，具有重要的实际价值和未来影响。

📄 摘要（原文）

With the rapid demand for energy, even the incorporation of bulk renewable energy sources is not entirely sufficient to meet demand besides adding supply uncertainty. Distributed Energy Resource Aggregators (DERAs) have the potential to address this uncertainty via aggregation and control of decentralized distributed energy sources, thereby acting like virtual power plants. We present a new approach that combines forecasting and model-predictive control to assign DERAs to follow net-demand patterns, while accounting for the dynamics of the aggregate energy sources and their capacity limits. Each DERA is represented as a flexible ``virtual battery" with constraints on state-of-charge and power limits. The dispatch problem is set up as a long-term model predictive control task that aims to minimize differences from desired charge levels, output ramping, and net-load tracking errors. To keep operations efficient in real time, we implement a rolling-horizon MPC, which updates decisions regularly using the latest marginal-demand forecasts. For forecasting, we present two models: linear regression and long-short term memory (LSTM) neural network. Using high-resolution CAISO net-demand data and five typical DERA types, our simulations demonstrate how well our approach tracks marginal-demand; in particular, we highlight the tradeoffs between forecasting horizon times and MPC update rate as well as the dependence on the choice of the load forecasting model. Our results also indicate a slight edge for LSTM models over linear regression for desired time shifts and horizon choices.