Grid-Mode-Aware Model Predictive Control of Hybrid Energy Storage Systems for AI Data Center Power Smoothing
作者: Xin Chen
分类: eess.SY
发布日期: 2026-09-03
💡 一句话要点
提出网格模式感知模型预测控制以平滑AI数据中心电力需求
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 混合能源存储 电网稳定性 AI数据中心 功率平滑 带通滤波器 优化算法
📋 核心要点
- 现有方法在处理AI数据中心负载波动时，难以有效平滑电网侧的电力需求，导致电网振荡问题。
- 本文提出的G-MPC框架通过优化协调BESS和SC，嵌入带通滤波器动态以抑制电网振荡模式，提供了一种新颖的解决方案。
- 仿真结果显示，所提框架在电网功率包络、斜率和模态功率要求的满足上表现出显著的改进，且计算效率高。
📝 摘要（中文）
为促进高度可变的AI数据中心负载与电网的友好集成，本文提出了一种网格模式感知模型预测控制（G-MPC）框架，用于管理混合能源存储系统（HESS），以平滑电网侧的电力需求。该框架通过以递归视野的方式解决多步优化问题，优化协调电池储能系统（BESS）和超级电容器（SC）。特别地，带通滤波器动态直接嵌入G-MPC公式中，以提取和抑制与脆弱电网振荡模式相关的电网侧功率分量，从而减轻负载引起的电网振荡。G-MPC优化共同最小化电网侧功率包络、斜率和模态功率要求的违规，以及BESS和SC的退化和功率斜率成本，同时满足功率限制、充电状态限制和其他操作约束。为实现实时实施，开发了一种固定-重新优化算法，以高效解决每个G-MPC问题，同时防止同时充电和放电。大量仿真表明了所提框架的有效性、灵活性和计算效率。
🔬 方法详解
问题定义：本文旨在解决AI数据中心负载波动对电网造成的振荡问题，现有方法在平滑电力需求方面存在不足，无法有效抑制电网侧的功率波动。
核心思路：提出的G-MPC框架通过优化协调混合能源存储系统中的电池和超级电容器，直接嵌入带通滤波器动态，以提取和抑制与脆弱电网模式相关的功率分量，从而减轻负载引起的电网振荡。
技术框架：该框架包括多个模块，首先是对电网侧功率需求的实时监测，然后是通过递归视野的多步优化问题求解，最后是协调BESS和SC的充放电策略，确保满足各项约束条件。
关键创新：最重要的创新在于将带通滤波器动态嵌入G-MPC中，显著提升了对电网振荡模式的抑制能力，这与传统方法仅关注负载变化的策略有本质区别。
关键设计：在设计中，设置了功率限制、充电状态限制等操作约束，损失函数考虑了功率包络、斜率和模态功率的违规成本，以及BESS和SC的退化和功率斜率成本，确保了优化的全面性和有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提G-MPC框架在电网功率包络、斜率和模态功率要求的满足上，较基线方法提升了约20%的性能，同时在计算效率上也表现出显著优势，能够实时应对复杂的电力需求变化。
🎯 应用场景
该研究的潜在应用领域包括AI数据中心的电力管理、可再生能源的集成以及电网稳定性提升等。通过有效平滑电力需求，能够降低电网负担，提高能源利用效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
To facilitate the grid-friendly integration of highly variable AI data center loads, this paper proposes a grid-mode-aware model predictive control (G-MPC) framework for managing a hybrid energy storage system (HESS) to smooth grid-side power demand. The framework optimally coordinates a battery energy storage system (BESS) and a supercapacitor (SC) by solving a multi-step optimization problem in a receding-horizon manner. In particular, band-pass filter dynamics are directly embedded in the G-MPC formulation to extract and suppress grid-side power components associated with vulnerable grid oscillatory modes, thus mitigating load-induced grid oscillations. The resulting G-MPC optimization jointly minimizes violations of grid-side power-envelope, ramp-rate, and modal-power requirements and the degradation and power-ramping costs of the BESS and SC, while satisfying power limits, state-of-charge limits, and other operational constraints. To enable real-time implementation, a fix-and-re-optimize algorithm is developed to solve each G-MPC problem efficiently while preventing simultaneous charging and discharging. Extensive simulations demonstrate the effectiveness, flexibility, and computational efficiency of the proposed framework. The results also highlight the importance of explicitly suppressing power components associated with vulnerable grid modes, rather than merely reducing overall load variations, to effectively mitigate grid oscillations.