科研速递 | 理工学院吴辰晔教授团队在系统科学领域旗舰期刊IEEE Systems Journal上探讨储能控制问题

近日，香港中文大学（深圳）理工学院的吴辰晔教授团队在《IEEE Systems Journal》发表题为“Learning-Aided Framework for Storage Control Facing Renewable Energy”的文章。

下载链接：

https://ieeexplore.ieee.org/document/9733941

01

期刊简介

IEEE Systems Journal 为涉及复杂的和具有重要意义的系统的研究提供了一个论坛，它旨在鼓励和促进具有系统级和系统工程兴趣的 IEEE 学会之间的合作和互动，并吸引来自全球的非 IEEE 贡献者和读者。IEEE Systems委员会的工作是以新的方式解决现有 IEEE 或其他协会或全球组织领域无法解决的问题。

02

研究背景

物联网 (IoT) 使智能城市、智能电网、智能家居、智能健康和智能移动成为可能。对于具有智能家电和分布式可再生能源的智能电网，物联网为每个对象分配一个唯一的IP地址，可以更新和下载控制命令，同时还保证通过互联网快速准确地收集和传输数据。在这种能力的推动下，我们采用大数据和人工智能 (AI) 驱动的方法来进行集成实时网格管理。

人工智能通过使用无处不在的智能设备来感知环境，然后生成最佳控制动作，这影响了我们日常生活的许多方面。受此启发，我们研究了在电力行业利用先进人工智能技术的潜力。电力行业关于人工智能技术最初的尝试是在 1980 年代，尽管传统的电力系统控制遵循传统的控制范式，但可再生能源在电网中的日益普及对人工智能驱动的解决方案提出了挑战。

03

研究内容

在这项工作中，我们的目标是提供一种考虑动态价格并涉及可再生能源的电力储能控制设置的深度学习策略。在这样的系统中，由于动态价格的波动和可再生能源发电的随机性，储能控制可能具有挑战性。如图1所示，我们采用深度学习框架提出了基于模型和无模型的储能控制框架来识别信息的价值并刻画了信息的价值。

图1 研究框架

对于第一个框架，与电力部门大多数面向深度学习的研究相反，我们使用单次负载分解技术将结构信息编码到学习框架中。结构信息是指一次性负载分解保持控制解策略空间的事实。基于这些结构信息，我们利用深度学习框架来开发储能控制策略以进行价格和可再生能源预测，这是我们进行深度学习的存储控制的基础。图 2 描述了所提出的支持 LSTM 的储能控制框架的整个过程。在实施支持深度学习的存储控制时，我们以不同的方式处理这两个预测变量。我们使用净负载预测来进行单次负载分解。因此，在选定的窗口大小内，我们进行净负载预测，然后应用一次性负载分解。然后我们使用价格预测来计算每个分解的一次性负载服务问题的阈值。对于每一次分解，我们计算相应的阈值和存储控制动作。

图2 基于模型的储能控制方法

对于无模型框架，我们将历史价格和需求数据作为输入，直接输出控制动作。在设置前瞻窗口大小和回溯窗口大小后，存储控制模型取历史价格和可再生能源发电量为输入和输出的控制动作。然后投影函数将控制动作作为输入并输出投影控制动作以及相应的损失。最后，我们反向传播损失并更新存储控制模型。

对于每个模型，我们进一步建立了关于价格和可再生能源的不确定性如何影响成本的理论分析。

数值评估说明了我们提出的框架的卓越性能并揭示了信息的价值。我们将几个框架与生成价格数据进行比较，即使用 DETA、SPTA、VPTA、PPTA、THB 和 MPC 的无可再生能源的最优控制。我们假设在这个具体的案例研究中可以准确预测可再生能源的发电量。图 3 显示 DETA、SPTA、VPTA 和 PPTA 具有相似的性能，而 MPC 和 THB 的性能较差，这

强调了这样一个事实，即如果价格确实遵循某种特定的分布，那么这种分布的知识对于框架性能至关重要。在这个案例研究中，由于对分布的了解，DETA 优于其他方案。不幸的是，实时价格很难预测，还有更多的时间特征可以利用。因此，我们对现场实时价格数据进行以下案例研究。基于 LSTM 的框架，即 SPTA、VPTA 和 PPTA 比 DETA、THB 和 MPC 具有更好的性能。

图3 有效性评估

我们还在图 4 中可视化了不同窗口大小下不同框架的性能。它表明窗口大小对不同框架的性能影响相对较小。随着窗口大小的增加，所有框架的性能都变得更好，但不同的框架保持相同的顺序。总之，基于深度学习的框架在所有窗口大小上都优于 DETA、THB、MPC 和 NOS。DETA、THB、MPC和NOS之间的差距相对较小，窗口大小不同，这表明经典方法对窗口大小的敏感程度相似。EETA 与三种基于 LSTM 的方法之间的差距随着窗口大小的增加而减小，这意味着 EETA 对窗口大小非常敏感，而三种基于 LSTM 的方法不太可能受窗口大小的影响。在三种基于 LSTM 的方法中，我们发现 PPTA 优于 SPTA 和 VPTA，这表明 PPTA 在存储控制任务中更可取。

图4 不同窗口大小下算法框架的有效性

04

主要贡献

在物联网技术的支持下，我们设计了一个用于储能控制的深度学习框架，同时还提出了一个不基于模型的学习框架以便进行比较。我们工作的贡献可以总结如下：

1. 不确定性管理：我们首先提出了基于预测可再生能源发电的净负荷分解方案，并设计了基于模型的控制策略，只需要对未来价格和可再生能源发电的短期预测即可完成控制。然后我们提出了一个无模型控制策略进行比较。为了解决价格和可再生能源发电的随机性，我们充分利用可用数据并采用深度学习方法。

2. 理论见解：在我们的解决方案中，我们分析了由可再生能源发电中的预测误差导致的单次负载分解方案中的近似性能损失。此外，我们证明对于基于模型和无模型的控制框架，损失函数对于预测都是 Lipschitz 连续的。

3. 信息的价值：我们通过使用真实世界数据比较提出的无模型框架和基于模型的框架，确定了信息对于储能控制是关键的。具体来说，我们分析了信息的不确定性，即未知的可再生能源发电和价格，如何影响所提出框架的有效性。

05

作者简介

本文通讯作者为香港中文大学（深圳）助理教授吴辰晔。

吴辰晔，香港中文大学（深圳）理工学院助理教授。吴教授主要从事电力市场设计、电网安全及风险评估、电力系统控制等研究，特别专注于新型电力市场商业模式设计、电力市场中市场力分析、人工智能与数据驱动技术在电力系统控制与优化的研究。目前，吴教授已发表高水平期刊/国际顶级会议论文（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，是中国工业与应用数学学会金融科技与算法专委会委员，中国计算机学会计算经济专业组执行委员，自2022年2月起担任IEEE系统科学汇刊（IEEE Systems Journal）编委（Editorial Board Member, Associate Editor），2022年IEEE智能电网通讯会议（IEEE SmartGridComm）数据与计算分会共同主席，2022年ACM未来能源大会（ACM e-Energy）数字会议共同主席，前后三次获得能源领域旗舰会议的最佳论文奖。

吴佳蔓：现在正在加州大学伯克利分校土木与环境工程系攻读博士学位,师从Prof. Marta C. Gonzalez。在此之前，她在武汉大学遥感与信息工程学院获得学士学位，在清华大学交叉信息科学研究所（IIIS）获得硕士学位。她的研究兴趣包括电力系统和交通系统规划。

卢晨贝：现在正在攻读博士学位。清华大学交叉信息科学研究所（IIIS）计算机科学与工程学位，师从吴晨晔教授。在此之前，他获得了华中科技大学软件工程学院的学士学位。2017年获得国家奖学金，目前从事电力系统运行及经济分析研究。

点击以下链接，进入理工时刻：