Optimal Coordination of Heat Pump Demand Flexibility and Battery Energy Storage Considering the Operation of Distribution Networks
作者: Gustavo L. Aschidamini, Guilherme S. Castiglio, Mariana Resener
分类: eess.SY
发布日期: 2026-10-06
💡 一句话要点
提出混合整数线性规划框架以优化热泵与电池储能协调
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion)
关键词: 热泵 电池储能 配电网络 模型预测控制 负荷管理 电压调节 智能温控器
📋 核心要点
- 现有方法未能有效协调热泵、智能温控器与电池储能，导致电压和热问题加剧。
- 本文提出了一种基于混合整数线性规划的模型预测控制框架，优化热泵和电池储能的协调。
- 在23节点和733节点的配电网络上，框架分别降低了峰值负荷23.1%和94%的过载分支。
📝 摘要（中文）
随着空间供暖电气化的推进，热泵和备用电阻加热器的使用增加了配电网络中的电压和热问题。现有的直接负荷控制方法未能有效协调智能温控器、网规模电池储能系统及电压调节设备。本文提出了一种基于混合整数线性规划的模型预测控制框架，能够协调智能温控器的预热和回退设定、网规模电池储能、负载变压器、切换电容器和步进电压调节器。通过在23节点和733节点的配电网络上进行评估，结果显示该框架显著降低了峰值负荷和过载情况，展示了协调需求灵活性与电压调节的潜力。
🔬 方法详解
问题定义：本文旨在解决热泵和备用电阻加热器在电气化供暖中引发的配电网络电压和热问题。现有方法未能有效协调智能温控器、网规模电池储能系统及电压调节设备，限制了峰值需求的降低和电压不足的缓解。
核心思路：提出的框架通过混合整数线性规划（MILP）与模型预测控制（MPC）相结合，协调智能温控器的预热和回退设定、网规模电池储能、负载变压器、切换电容器和步进电压调节器，以实现更高效的电力管理。
技术框架：整体架构包括数据采集、模型建立、优化求解和执行控制四个主要模块。数据采集阶段获取实时负荷和电压信息，模型建立阶段构建MILP模型，优化求解阶段使用MPC进行动态调节，最后执行控制模块实施优化结果。
关键创新：最重要的技术创新在于将热泵需求灵活性与电池储能系统的协调优化结合，首次实现了对电压调节设备的有效利用，显著提升了电力系统的稳定性和灵活性。
关键设计：在参数设置上，框架考虑了热泵的渗透率、智能温控器的参与度以及电池储能的容量等因素。损失函数设计上，优化目标包括峰值负荷降低和电压合规性，确保系统在运行中的稳定性和经济性。
🖼️ 关键图片
📊 实验亮点
在23节点配电网络中，框架实现了峰值负荷降低23.1%，与共同优化的电池储能系统结合后，降低幅度达到27.1%。在733节点网络中，过载分支减少了94%，过载变压器减少了47%，显示出该方法在电压调节和需求灵活性方面的显著效果。
🎯 应用场景
该研究的潜在应用领域包括智能电网、可再生能源集成和城市供暖系统。通过优化热泵与电池储能的协调，能够有效降低电力系统的峰值负荷，提高电网的稳定性，支持可持续发展目标。未来，该框架可扩展至更大规模的配电网络和多种能源管理场景。
📄 摘要（原文）
Electrifying space heating with heat pumps (HP) and backup electric-resistance heaters (ERH) is incentivized to support decarbonization but increases voltage and thermal issues in distribution networks. Direct load control (DLC) of smart thermostats (ST) provide grid support, yet, to the best of our knowledge, existing methods do not co-optimize this flexibility with grid-scale battery energy storage systems (BESS) and voltage-regulation devices, and do not use ERH for preheating, limiting peak demand reduction and undervoltage mitigation. We propose a mixed-integer linear programming (MILP)-based model predictive control (MPC) framework that coordinates ST setpoints for preheating and setback, grid-scale BESS, on-load tap changers, switched capacitor banks, and step voltage regulators. The framework is evaluated on 23-node and 733-node distribution networks, including a real-data-based feeder, across multiple realized days. On the 23-node feeder with 50% HP penetration and 50% DLC participation, the proposed framework reduces the feeder peak by 23.1%, and by 27.1% with the co-optimized BESS. Rolling-horizon setpoint optimization contributes 6.5 percentage points beyond a day-ahead ST schedule (16.6%), and dispatching the ERH for preheating adds 2.7 percentage points beyond backup-only operation (20.4%). On the 733-node feeder, where thermal congestion is the binding constraint, the framework reduces overloaded branches by 94% and overloaded transformers by 47%. These results demonstrate the potential of coordinated demand flexibility and voltage regulation to accommodate heating electrification.