科研速遞 | 理工學院吳辰曄教授團隊在系統科學領域旗艦期刊IEEE Systems Journal上探討儲能控制問題

2022-05-21 新聞

近日，香港中文大學（深圳）理工學院的吳辰曄教授團隊在《IEEE Systems Journal》發表題為“Learning-Aided Framework for Storage Control Facing Renewable Energy”的文章。

點擊圖片，閱讀文章

?

01. 期刊簡介

IEEE Systems Journal 為涉及復雜的和具有重要意義的系統的研究提供了一個論壇，它旨在鼓勵和促進具有系統級和系統工程興趣的 IEEE 學會之間的合作和互動，并吸引來自全球的非 IEEE 貢獻者和讀者。IEEE Systems委員會的工作是以新的方式解決現有 IEEE 或其他協會或全球組織領域無法解決的問題。

?

02.?研究背景

物聯網 (IoT) 使智能城市、智能電網、智能家居、智能健康和智能移動成為可能。對于具有智能家電和分布式可再生能源的智能電網，物聯網為每個對象分配一個唯一的IP地址，可以更新和下載控制命令，同時還保證通過互聯網快速準確地收集和傳輸數據。在這種能力的推動下，我們采用大數據和人工智能 (AI) 驅動的方法來進行集成實時網格管理。

人工智能通過使用無處不在的智能設備來感知環境，然后生成最佳控制動作，這影響了我們日常生活的許多方面。受此啟發，我們研究了在電力行業利用先進人工智能技術的潛力。電力行業關于人工智能技術最初的嘗試是在 1980 年代，盡管傳統的電力系統控制遵循傳統的控制范式，但可再生能源在電網中的日益普及對人工智能驅動的解決方案提出了挑戰。

?

03. 研究內容

在這項工作中，我們的目標是提供一種考慮動態價格并涉及可再生能源的電力儲能控制設置的深度學習策略。在這樣的系統中，由于動態價格的波動和可再生能源發電的隨機性，儲能控制可能具有挑戰性。如圖1所示，我們采用深度學習框架提出了基于模型和無模型的儲能控制框架來識別信息的價值并刻畫了信息的價值。

圖1 研究框架

對于第一個框架，與電力部門大多數面向深度學習的研究相反，我們使用單次負載分解技術將結構信息編碼到學習框架中。結構信息是指一次性負載分解保持控制解策略空間的事實。基于這些結構信息，我們利用深度學習框架來開發儲能控制策略以進行價格和可再生能源預測，這是我們進行深度學習的存儲控制的基礎。圖 2 描述了所提出的支持 LSTM 的儲能控制框架的整個過程。在實施支持深度學習的存儲控制時，我們以不同的方式處理這兩個預測變量。我們使用凈負載預測來進行單次負載分解。因此，在選定的窗口大小內，我們進行凈負載預測，然后應用一次性負載分解。然后我們使用價格預測來計算每個分解的一次性負載服務問題的閾值。對于每一次分解，我們計算相應的閾值和存儲控制動作。

圖2?基于模型的儲能控制方法

對于無模型框架，我們將歷史價格和需求數據作為輸入，直接輸出控制動作。在設置前瞻窗口大小和回溯窗口大小后，存儲控制模型取歷史價格和可再生能源發電量為輸入和輸出的控制動作。然后投影函數將控制動作作為輸入并輸出投影控制動作以及相應的損失。最后，我們反向傳播損失并更新存儲控制模型。

對于每個模型，我們進一步建立了關于價格和可再生能源的不確定性如何影響成本的理論分析。

數值評估說明了我們提出的框架的卓越性能并揭示了信息的價值。我們將幾個框架與生成價格數據進行比較，即使用 DETA、SPTA、VPTA、PPTA、THB 和 MPC 的無可再生能源的最優控制。我們假設在這個具體的案例研究中可以準確預測可再生能源的發電量。圖 3 顯示 DETA、SPTA、VPTA 和 PPTA 具有相似的性能，而 MPC 和 THB 的性能較差，這

強調了這樣一個事實，即如果價格確實遵循某種特定的分布，那么這種分布的知識對于框架性能至關重要。在這個案例研究中，由于對分布的了解，DETA 優于其他方案。不幸的是，實時價格很難預測，還有更多的時間特征可以利用。因此，我們對現場實時價格數據進行以下案例研究。基于 LSTM 的框架，即 SPTA、VPTA 和 PPTA 比 DETA、THB 和 MPC 具有更好的性能。

圖3 有效性評估

我們還在圖 4 中可視化了不同窗口大小下不同框架的性能。它表明窗口大小對不同框架的性能影響相對較小。隨著窗口大小的增加，所有框架的性能都變得更好，但不同的框架保持相同的順序。總之，基于深度學習的框架在所有窗口大小上都優于 DETA、THB、MPC 和 NOS。DETA、THB、MPC和NOS之間的差距相對較小，窗口大小不同，這表明經典方法對窗口大小的敏感程度相似。EETA 與三種基于 LSTM 的方法之間的差距隨著窗口大小的增加而減小，這意味著 EETA 對窗口大小非常敏感，而三種基于 LSTM 的方法不太可能受窗口大小的影響。在三種基于 LSTM 的方法中，我們發現 PPTA 優于 SPTA 和 VPTA，這表明 PPTA 在存儲控制任務中更可取。

圖4 不同窗口大小下算法框架的有效性

?

04. 主要貢獻

在物聯網技術的支持下，我們設計了一個用于儲能控制的深度學習框架，同時還提出了一個不基于模型的學習框架以便進行比較。我們工作的貢獻可以總結如下：

1. 不確定性管理：我們首先提出了基于預測可再生能源發電的凈負荷分解方案，并設計了基于模型的控制策略，只需要對未來價格和可再生能源發電的短期預測即可完成控制。然后我們提出了一個無模型控制策略進行比較。為了解決價格和可再生能源發電的隨機性，我們充分利用可用數據并采用深度學習方法。

2. 理論見解：在我們的解決方案中，我們分析了由可再生能源發電中的預測誤差導致的單次負載分解方案中的近似性能損失。此外，我們證明對于基于模型和無模型的控制框架，損失函數對于預測都是 Lipschitz 連續的。

3. 信息的價值：我們通過使用真實世界數據比較提出的無模型框架和基于模型的框架，確定了信息對于儲能控制是關鍵的。具體來說，我們分析了信息的不確定性，即未知的可再生能源發電和價格，如何影響所提出框架的有效性。

?

05. 作者簡介

本文通訊作者為香港中文大學（深圳）助理教授吳辰曄。

吳辰曄，香港中文大學（深圳）理工學院助理教授。吳教授主要從事電力市場設計、電網安全及風險評估、電力系統控制等研究，特別專注于新型電力市場商業模式設計、電力市場中市場力分析、人工智能與數據驅動技術在電力系統控制與優化的研究。目前，吳教授已發表高水平期刊/國際頂級會議論文（如IEEE Transactions on Power Systems, IEEE Transactions on Smart Grid, IEEE Transactions on Sustainable Energy, IEEE PES General Meeting, IEEE SmartGridComm等）70余篇，是中國工業與應用數學學會金融科技與算法專委會委員，中國計算機學會計算經濟專業組執行委員，自2022年2月起擔任IEEE系統科學匯刊（IEEE Systems Journal）編委（Editorial Board Member, Associate Editor），2022年IEEE智能電網通訊會議（IEEE SmartGridComm）數據與計算分會共同主席，2022年ACM未來能源大會（ACM e-Energy）數字會議共同主席，前后三次獲得能源領域旗艦會議的最佳論文獎。

吳佳蔓：現在正在加州大學伯克利分校土木與環境工程系攻讀博士學位,師從Prof. Marta C. Gonzalez。在此之前，她在武漢大學遙感與信息工程學院獲得學士學位，在清華大學交叉信息科學研究所（IIIS）獲得碩士學位。她的研究興趣包括電力系統和交通系統規劃。

盧晨貝：現在正在攻讀博士學位。清華大學交叉信息科學研究所（IIIS）計算機科學與工程學位，師從吳晨曄教授。在此之前，他獲得了華中科技大學軟件工程學院的學士學位。2017年獲得國家獎學金，目前從事電力系統運行及經濟分析研究。

?

文章轉自理工學院微信公眾平臺，鏈接為https://mp.weixin.qq.com/s/xK-iDxFm0_L0FqLUy2uftQ