|
电话：15313702523
光伏-Discover蓄电池调度中跨三种环境的预测校准与充电反馈
预测校准会改变电池调度计划，但其经济效果取决于计划动作的执行方式。我们结合了光伏（PV）和读档预测的两种残差校准，并采用仅充电反馈规则，在每小时滚动时域调度中进行五分钟或十五分钟的执行。环境A结合了建模的PERFORM PV与缩放后的ERCOT Coast需求；B和C则是计量CoSSMic家庭。三种环境、三种预测处理、三种反馈强度和三种电价情景共产生81种配置，其中18种配置因验证时B和C的加权平均增益为零而导致未校准单元重复。中值校准使A的第一步净负荷平均绝对误差降低了8.47%，但增加了其成本；而在B和C中，它分别使误差增加了0.695%和0.629%。在基准电价下，A的校准与反馈交互作用为−3622.9货币单位（CU）（−0.251%），其中更准确的预测成本更高，而B和C的交互作用分别为CU −0.279（−0.088%）和CU −0.371（−0.在B和C中为117%，其中反馈机制降低了更差修正的成本。相同的充电请求可能产生不同的动作，因为电池荷电状态的历史记录不同。C中存储容量翻倍使交互作用反转为CU +0.370 (+0.124%)；A的平价交互作用CU +338 (+0.021%)，其区间包含零。这些发现取决于假设的电价、重构的读档以及受限的反馈规则。
1. 引言
光伏（PV）预测可告知电池何时储存、吸收或释放能量，但预测只有通过执行的动作才能改变账单。计划动作是否能改变实际交易，取决于执行权限、信息延迟、储存能量和价格。实践中已建立基于预测的经济模型预测控制（MPC）。Kull等人针对微电网调度在现成硬件上实现了线性经济MPC，并在两种硬件在环场景中实现了72.2–855%相对于无控制基准的成本节约；该缺口反映了不完美预测、硬件实现和功率波动共同作用的结果[1]。集成框架将预测与模型预测控制（MPC）相结合，用于成本优化的太阳能-电池储能管理[2]。我们研究当预测信息和执行权限同时变化时，运行成本会发生什么变化。
预测研究提供了多种改变调度器接收信息的方法。后处理技术可修正现有模型的输出；例如，Quan等人通过两阶段训练深度网络来修正太阳能预测[3]。集合天气预报提供了一系列光伏场景，其附加值可与单一确定性运行结果进行评估[4]。分布模型，如具有混合连续-离散输出的条件变分自编码器[5]和单调分位数卷积网络[6]，直接描述预测的不确定性，简单的估计量可以快速提供预测误差的大小[7]。每种方法都会改变预测的不同属性：其偏差、离散度或误差描述。本文研究的残差校准属于第一类，因为它们通过最近的误差统计量来平移点预测。评估其运行价值需要可行的动作集和结算规则，并且必须将点误差的减少与提供额外的运行储备区分开来。
预测技能与经济价值相关但不可互换。Schmitt等人发现，在峰值定价下，MPC控制建筑的运行成本随光伏预测误差近似线性上升；具体关系取决于当前时段信息的处理方式，且24小时预测中仅前75分钟会影响成本[8]。其他研究表明，技能和价值可能会出现分歧。在包含光伏、固定储能和电动汽车充电的微电网中，Manzolini等人发现，当车辆负荷预测的均方根误差比持续性预测低30%时，与光伏预测结合后，反而使综合预测误差增加了15%，运行成本最高增加了5% [9]。Campos等人测试了日前市场中光伏-电池电站的11个太阳能预测准确度水平，发现准确度较低的预测会促使电池进行价格套利，并可能增加收益 [10]。Fiori Maccioni等人根据电池套利利润而非仅凭误差对价格预测方法进行排位[11]。进一步的研究通过混合调度[12]、计划偏差惩罚[13]以及对爬坡敏感的日内运行[14]为预测误差赋予经济权重。概率信息也可以改变持有的备用容量：滚动时域调度中的自适应保形边界在运行成本与荷电状态风险之间进行交易[15]，而贝叶斯概率光伏预测结合随机模型预测控制将模拟运行成本降低了20-35%，相对于期望值预测[16]。因此，准确性提升后成本增加并非新现象；较少受到关注的是，当执行计划的规则发生变化时，这种结果会如何改变。
执行反馈必须由其允许的动作来定义。Zhang等人将日前电池调度与基于实测负荷和荷电状态（SOC）重新优化的闭环MPC进行了比较，并指出预测信息与反馈的经济效应不具有可加性[17]。双时间尺度调度[18]、双层MPC[19]以及基于轻量级概率预测的光储单元局部控制[20] 为每一层分配不同的测量变量和控制职责。小时内校正可能涉及无功功率，而有功功率参考值保持不变 [21]。Ma等人研究了光伏储能系统在预测不确定性下的基于场景的超短期滚动运行，并报告了负荷转移性能与运行风险之间的权衡 [22]。Xu等人针对面向场景的不确定性，为超大型光伏储能电站制定了联合预测与申报策略，以发电量和偏差惩罚作为两个目标，并比较了天气条件、储能容量和直流/交流比 [23]。这些先例促使我们追踪从计划到请求、物理限制和存储能量的每个执行阶段中的特定干预措施，而不是将反馈的存在视为统一的系统属性。
物理和经济条件也决定了预测价值。基于已知发电量或历史测量输入的调度支持调度分析[24,25]，而无需建立可实现的预测改进收益。灵活冷却[26]或不确定的住宅和车辆需求[27]会改变可行集。考虑老化因素的容量规划与运行[28,29]以及对退化敏感的调度[30,31,32] 改变了分配给电池使用的值。我们的恒定放电能量充电是电池吞吐量的经济代理指标；这些研究激发了敏感性分析，但并未验证其系数，也未暗示电池寿命的益处。
可迁移性需要区分来源和场景。当目标数据有限时，迁移学习可以复用预测模型[33]，多建筑研究将用于预测的数据与MPC性能联系起来[34]，家庭研究则改变读档和价格年份[35]，公寓楼研究验证了完整的预测-优化链[36]. 来自一个收购项目的两个家庭比重新缩放单个序列提供了更多的环境变化，但它们并未建立种群层面的普适性。同样，将残差窗口与终端估值测试结合转移，是联合控制器设置，而非仅仅是预测的可移植性。
最接近的研究在所改变的变量上有所不同。Schmitt等人同时改变了光伏预测误差以及当前时间间隔信息的处理方式[8]，而Manzolini等人[9]和Campos等人[10]则在固定执行规则下改变预测质量。Zhang等人已经将基于预测的调度与测量状态反馈相结合，并识别出非加性信息和反馈效应[17]，Ma等人[22] 和 Xu 等人 [23] 评估了在预测不确定性下的滚动和基于声明的PV-储能运行。本文并未声称这些元素是新颖的。补充表S2从信息和执行结构、环境以及评估证据方面比较了最接近的八项研究。本研究的范围更窄：公式(4)的充电请求规则，其强度α取值为0、1/2和1，在匹配信息、硬件和结算的条件下，与中位数和指数加权残差校准进行交叉。我们探究该规则如何改变校准的边际成本效应，并追踪由配对预测引发的请求、物理削减和累积状态方面的计划差异。
该研究有三项贡献。首先，一个2×2的配对对比（单元格在00–图1中11b) 测量了执行过程中的校准交互作用，以及中间强度、第二次校准和近乎等效调度方案之间的替代选择，以测试其对这些选择的依赖性。其次，阶段解析记录和通用状态诊断将请求替换、削减和SOC历史记录与价格加权交易联系起来。第三，将一种协议应用于三个源环境和三种电价场景，并报告了负向、零向和反向效应。这些方法是既定的MPC方法，研究结果取决于所研究的环境，并且测试了校准与反馈之间的替代关系，而非直接假设。Figure 1b) measures the calibration-by-execution interaction, and an intermediate intensity, a second calibration, and an alternative selection among near-equivalent schedules test its dependence on these choices. Second, stage-resolved records and common-state diagnostics connect request replacement, clipping, and SOC histories to price-weighted transactions. Third, one protocol is applied to three source environments and three tariff scenarios, and negative, zero, and reversed effects are all reported. The methods are established MPC methods, the findings are conditional on the environments studied, and substitution between calibration and feedback is tested rather than assumed.
图1。研究设计。（）系统：光伏、读档、电池储能系统和电网连接在公共交流母线上；电池仅从光伏盈余中充电，不向外输电。（）匹配的2×2对比；是基于预测的实现成本(0，未校准；1，中值校准)及执行(0, 计划，ijα= 0；1, 全反馈，α= 1)，并且遵循公式(5)。() 在一个决策小时内从预测到结算成本的路径；每小时十二小时的规划为A中的五分钟执行和B、C中的十五分钟执行提供数据，仅在未计划放电时反馈更改充电请求，且当前观测值进入物理削减环节。() 81种主要配置的实验因素。该图表代表模拟，而非硬件验证。α = 1), and I follows Equation (5). (c) Path from forecast to settled cost within one decision hour; hourly twelve-hour planning feeds five-minute execution in A and fifteen-minute execution in B and C, feedback changes charging requests only when no discharge is planned, and current observations enter physical clipping. (d) Experimental factors of the 81 primary configurations. The diagram represents simulation, not hardware validation.
图1中总结了系统和设计。图(a)展示了研究的系统：光伏阵列、电力读档和电池储能系统(BESS)共享一个交流母线与电网连接。电池仅从光伏盈余充电，仅为满足读档而放电，因此从不从电网充电或向电网出口；电网在缺口时供电，并在电价场景上限内接收出口电力。图(b)定义了主要对比的四个单元：使用未校准的预测进行计划执行，00经过中位数校准的计划执行预测，带有完整反馈的未校准预测，以及10带有完整反馈的中位数校准预测；交互如公式(5)所示将它们结合起来。图(c)追踪了一个决策小时。每小时线性规划(LP)利用可用预测提前规划十二小时，其第一小时的动作成为该小时每个原生执行间隔的参考。执行规则可能会用延迟观测到的盈余替换计划的充电请求；当前的PV和负荷、电池功率以及存储能量随后将请求裁剪为可实现的动作。实现的动作更新SOC，作为下一个小时规划的起点，并结算产生的交易。图(d)列出了实验因素。01 the uncalibrated forecast with full feedback, and C11 the median-calibrated forecast with full feedback; the interaction I combines them as in Equation (5). Panel (c) traces one decision hour. An hourly linear program (LP) plans twelve hours ahead with the available forecast, and its first-hour action becomes the reference for every native execution interval of that hour. The execution rule may replace the planned charging request with delayed observed surplus; current PV and load, battery power, and stored energy then clip the request to a realizable action. The realized action updates the SOC from which the next hourly plan starts, and the resulting transactions are settled. Panel (d) lists the experimental factors.
2. 材料与方法
2.1. 系统、数据集与情景
表1总结了三种环境。环境A将site solar433的模型生成PERFORM PV与按0.00025缩放的ERCOT Coast区域需求相结合[37]；它不是同址的实测装置。环境B和C是Open Power System Data (OPSD)家庭数据包（2020-04-15版本）中的residential3和residential4家庭，该数据包包含德国康斯坦茨CoSSMic项目的测量数据[38]。对于B和C，光伏间隔功率和电网功率通过累计电表读数的差值获得，读档被重构为光伏功率加上进口功率减去出口功率，并且将一分钟数据聚合为十五分钟的执行间隔。资格规则、按时间顺序的训练、验证和测试划分，以及本地时间与UTC时间的处理方式见附录A.
表1。数据集和系统摘要。Step表示执行分辨率；test days统计完整符合条件的UTC天数，括号内为episode数量（符合条件的连续运行天数）。A使用PERFORM站点solar433光伏和ERCOT Coast需求，并按0.00025缩放；B和C为OPSD CoSSMic住户。A的测试期是连续的（275个日历日中的275天），而B和C的测试跨度包含间断。B和C共享一个采集项目，但使用独立的住户电表数据。
训练期读档峰值，，决定了每个环境的规模。训练PV峰值归一化为该值的1.5倍，储能容量为该值的1.5小时，额定电池功率为能量容量的四分之一，持续时间为四小时（*表2）。这些选择定义了可比场景；它们并非针对原始场地的建议。补充章节S1和表S1给出完整的约束条件、所有参数值以及每个值的依据。 give the complete constraints, all parameter values, and the basis of each value.
表2。核心系统设置。和是额定能量和功率，并且是分数SOC，即存储能量除以能量容量；以1.5小时的能量比率，= 0.50 对应= 0.75 小时的归一化存储能量。前两行是比例。除了基于数据的执行间隔外，数值均为预设的建模假设；参考文献支持有界存储和滚动调度 []，而非这些数值选择。z0 = 0.50 corresponds to s0 = 0.75 h of normalized stored energy. The first two rows are ratios. Values are prespecified modeling assumptions except for the data-derived execution intervals; references support bounded storage and rolling scheduling [1,15,22], not these numerical choices.
成本以通用货币单位（CU）表示。关税为假设值，既不与国家货币挂钩，也不与原始站点挂钩。在基准情景S0中，低价、过渡和高峰时段的进口价格分别为CU 0.08、0.14和0.24/kWh，出口价格上限为训练峰值负荷的0.2倍。情景S1禁止出口，情景S2仅将高峰进口价格提高至CU 0.40/kWh。出口信用始终为CU 0.04/kWh。低价本地时段为00:00–06:59和22:00–23:59，高峰时段为16:00–20:59。这些结算规则使三个环境具有可比性；它们并不代表当地的账单。
2.2. 预报处理
在每小时决策时，只有当源预报的发布时间在决策时间或之前，且两个分量值均为有限值时，该预报才可用。若不满足这些条件，持续性预报将使用同一UTC小时内最近一次完整的有效观测值，若不存在此类观测值则取值为零。A系统在任何可用情况下均使用已发布的预报产品；B和C系统则使用持续性预报，并额外增加一小时的完成滞后。规划时间始终为十二小时，包括在事件结束时。控制器不会收到即将到来的资格边界通知，记录的备用覆盖范围将标识源预报不可用的位置。
对于每个本地时钟小时，残差历史会为可用的未校准预报提供修正：