Building Seasonal Highways for Residential Energy Hubs: Sizing, planning and operating thermal energy storage
作者: Dario Slaifstein, Mohammad Khosravi, Gautham Ram Chandra Mouli, Laura Ramirez-Elizondo, Pavol Bauer
分类: eess.SY, math.OC
发布日期: 2026-10-01
💡 一句话要点
提出数据驱动的季节性高速公路以优化住宅能源中心的热能存储
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 住宅能源中心 热能存储 数据驱动 模型预测控制 能源优化 可再生能源 智能电网
📋 核心要点
- 现有住宅能源中心在多种能源载体的操作中面临能量存储效率低下和短期控制难题。
- 论文提出了一种数据驱动的季节性高速公路方法，以优化短期控制并实现长期效益。
- 实验结果表明，该方法在电网成本、热舒适度和电池降解控制方面均优于传统线性模型。
📝 摘要（中文）
住宅能源中心的多种能源载体（电力、热能、移动性）在操作中面临显著挑战，尤其是在能量存储的时间常数、往返效率和自放电率方面。热能存储在年度规划优化或长期场景中展现出灵活性，但在优化时间范围缩短（1-48小时）时，其价值下降。为避免在操作中早期耗尽，本文提出了一种数据驱动的高速公路，旨在引导短期日常控制朝向长期最优性。该方法还展示了如何优化热能存储的规模，避免年度模拟，并探讨了这些与日常操作中的非线性关系。所提出的框架通过动态终端集和价值函数将季节性和日常优化联系起来。季节感知的非线性经济模型预测控制器在所有MPC中实现了最平衡的性能，平均电网成本为-€209，电池降解控制优于线性模型（降低26-34%），并在热舒适度方面表现最佳。
🔬 方法详解
问题定义：本论文旨在解决住宅能源中心在多种能源载体操作中面临的能量存储效率低下和短期控制难题。现有方法在短期优化时往往无法有效利用热能存储的潜力，导致资源浪费和成本增加。
核心思路：论文提出了一种数据驱动的季节性高速公路方法，通过将短期控制与长期优化相结合，提升热能存储的使用效率。该方法通过动态调整控制策略，确保在不同时间范围内的能量需求得到满足。
技术框架：整体架构包括数据收集、动态终端集生成、价值函数计算和控制策略优化等主要模块。首先收集历史数据以建立模型，然后生成动态终端集，最后通过优化算法调整控制策略。
关键创新：最重要的技术创新在于将季节性和日常优化通过动态终端集和价值函数有效连接，形成了一种新的控制框架。这一方法显著提高了热能存储的利用效率，并改善了电池的降解控制。
关键设计：在参数设置上，采用了非线性经济模型预测控制器，优化了损失函数以平衡电网成本和热舒适度。此外，设计了适应性强的网络结构，以支持动态调整控制策略。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的季节性高速公路方法在所有模型预测控制器中实现了最佳的电网成本，平均为-€209。同时，该方法在电池降解控制方面优于线性模型，降低幅度在26-34%之间，并在热舒适度方面表现最佳，显示出其在实际应用中的优势。
🎯 应用场景
该研究的潜在应用领域包括智能住宅、可再生能源集成和城市能源管理系统。通过优化热能存储的使用，该方法能够降低能源成本，提高能源利用效率，促进可持续发展。未来，该框架可能在更广泛的能源管理系统中得到应用，推动智能电网的发展。
📄 摘要（原文）
The operation of residential energy hubs with multiple energy carriers (electricity, heat, mobility) poses a significant challenge due to the energy storage differences in time-constants, round-trip efficiencies and self-discharge rates. Usually, thermal storage exhibits flexibility in yearly planning optimizations or long-term scenarios. However, as optimization horizons shrink (1-48hs) so does their supplied value due to the lower round-trip efficiencies. To avoid this early depletion during operation this paper proposes a data-driven highway to steer the short-term daily control towards long-term optimality. The proposed methodology also presents how to optimally size the thermal storage and avoid yearly simulations and how all of this is related to nonlinearities in the daily operation. The presented framework links seasonal and daily optimizations through dynamic terminal sets and value functions. The seasonally-aware nonlinear economic model predictive controller achieves the most balanced performance, with the second best mean grid cost of all MPCs at -\texteuro 209. It also achieves better battery degradation control than its linear counterparts (between 26-34%) and the best thermal comfort of the nonlinear benchmarks. Nevertheless, the data-driven seasonal highway restrains the ability to control battery degradation and slightly increases computational time.