基于智能预测然后优化的模型预测控制，适用于具备Trojan蓄电池储能的虚拟电站

虚拟电厂（VPP）的有效能源管理是提升电网灵活性和减少碳排放的关键。VPP将光伏系统、电池储能和柔性负载整合为一个协调系统。模型预测控制（MPC）被广泛用于在动态定价和运营约束下优化能源调度。然而，现有研究主要关注预测模型准确性对MPC性能的影响，常忽视预测与控制目标对齐的重要性。为弥补这一空白，我们提出了一种新型基于SPO的智能预测-然后优化MPC（基于SPO）框架，将涉及电池储能的VPP调度优化问题嵌入负载预测模型的训练中，采用可微优化技术。通过将预测模型与控制目标对齐，该框架能够生成直接支持改进控制结果的预测。该方法的有效性通过一项涉及两年真实世界数据和使用时限（TOU）定价方案的案例研究得到了验证，地点分别来自美国奥斯汀、英国加的夫和中国深圳。结果表明，尽管基于SPO的方法可能导致略高的预测误差，但其控制性能更优。具体来说，基于SPO的MPC相比传统MPC方法平均降低了约10%的总能源成本。这一综合框架提升了蓄电池储能的运行效率，并为智能能源管理系统开辟了新的方向。

简介

全球对可持续高效能源解决方案需求的不断增长，推动了能源系统管理和运营的根本性变革。这一转变的核心是虚拟电厂（VPP）概念，它已成为现代能源管理中的关键创新[1]。VPP将多种分布式能源资源（DERs），包括可再生能源、储能系统和灵活负载整合为一个整体。除了传统的DER组合外，基于车辆的能源接口正迅速成为汇总运营的重要参与者。电力电子技术的最新进展使车辆对负载（V2L）实现了本地韧性供电[2]，车对车（V2V）实现机会性能源共享[3]，以及车对电网（V2G）用于辅助服务和电力质量支持[4]、[5]，从而扩大了VPP可有效协调的可控资源范围。通过这种聚合，VPP优化了控制和调度，提升电网稳定性、可靠性和运营效率[6]。此外，VPP因其提供辅助服务、平衡供需以及促进可再生能源整合的能力而具有特殊价值，从而加速向更可持续能源基础设施的转型[7]。
在分布式能源资源中，储能系统，尤其是电池系统，在实现灵活调度和缓解可再生能源间歇性方面发挥着关键作用。通过利用先进的控制和通信技术，VPP实现了对DER的实时监控和管理，促进对电网状况和市场信号的动态响应[8]、[9]。然而，VPP的有效运行高度依赖于对负载需求和可再生能源发电的准确实时预测，以及最佳调度调度，以在保持系统可靠性的同时降低运营成本。可再生能源固有的不确定性和变异性，加上管理多样化分布式能源资源（DER）的复杂性，构成了重大挑战[10]。预测误差会在优化过程中进一步传播，常常导致调度决策不优，效率提升降低[11]，[12]。

VPP日益复杂，受电力需求和可再生能源发电不确定性的影响，给高效可靠的能源管理带来了重大挑战。风能和太阳能等来源的变异性和间歇性进一步加剧了运营难度[13]。为解决这些问题，MPC被广泛认可为一种有效的轨迹优化技术，能够在遵守操作约束的同时管理复杂的非线性系统并确保安全[14]。Aldaouab等人[15]提出了基于MPC的能源调度策略，用于集成电池和热储能的微电网，旨在最大化可再生能源的渗透率，减少对备用发电机的依赖。他们的方法通过优化供应源、储能系统和负载之间的能源流动，提升了可再生能源的利用率。同样，Li 等人[11]利用MPC研究了建筑负荷预测对微电网储能优化的影响。他们证明了不准确的预测，尤其是需求低估，可能导致决策不优、需求费用上升以及整体运营成本增加。
发电和负载的不确定性被认为是分布式能源系统中最重要的不确定性[16]。这些不确定性直接影响预测模型的准确性，而预测模型在MPC中起着核心作用。预测误差可能导致控制操作不优，增加运营成本并降低系统可靠性[17]。对此，值得关注的研究致力于改进能源系统的预测模型。Wang 等人[18]评估了浅层和深度学习方法用于构建热负荷预测，证明深度模型如长短期记忆（LSTM）网络通过捕捉复杂时间模式优于传统方法。像DeepAR这样的概率预测方法[19]因其能够提供准确的预测和不确定性估计而日益流行。此外，基于变压器的模型在建模时间序列数据中的长程依赖性方面展现出潜力。例如，Zhou 等人[20]提出了Informer模型，通过使用ProbSparse自注意机制和注意力蒸馏，提升了可扩展性和效率。
尽管取得了这些进展，预测不确定性仍阻碍MPC的表现，尤其是在具有显著可再生能源渗透率的高度变异系统中。为减轻这些影响，近期研究重点开发先进的MPC策略以处理预测误差。其中一种方法是随机MPC，它通过概率分布明确建模不确定性，生成一系列未来情景[21]、[22]。另一种是稳健的MPC，寻求在最坏情况下预报偏差下可靠表现的控制措施。通过将优化问题表述为在定义的不确定性集中内考虑扰动，鲁棒MPC可以在存在预测误差的情况下保持系统可靠性[23]， [24]。然而，随机和稳健MPC方法在实时部署时计算量较大，因为它们需要评估多个场景或解决涉及不确定性集的复杂优化问题。这些方法通过重新表述控制问题本身来解决不确定性，而我们的工作则采取互补方向，改进预测组件并将其与控制目标对齐。这一区别强调了在传统MPC框架内改进控制表述与优化预测之间的区别。除了随机和稳健的MPC，学习控制的最新进展为应对预测和操作不确定性带来了互补的研究方向。例如，Hedayatnia 等人[25]开发了一个两阶段框架，将多智能体策略导向的DRL与Stackelberg博弈论相结合，在成本效益、功率交换和可靠性方面取得了显著提升，同时降低了计算复杂性和运行时间。这一研究方向表明，基于学习的方法能够增强能量管理和实时适应性，为显式建模不确定性集合或概率情景提供了有效替代方案。其他例子包括基于数据驱动的安全强化学习框架，利用MPC作为安全过滤器确保约束满足[26]，以及在策略中嵌入可微MPC层以将短期预测优化与长期价值学习结合的actor-critic架构[27]。这些方法展示了将学习与优化结合的潜力，但通常需要大量训练数据、精心的奖励塑造和复杂的在线策略。相比之下，MPC依然代表典型的基于模型的控制范式，因其透明度、固有的约束处理能力和实用性而备受赞誉。
与此同时，可微优化作为一种有前景的学习与优化整合技术也逐渐兴起。通过将优化问题嵌入神经网络中的可微层，梯度可以通过优化求解器传播，实现端到端训练。OptNet [28] 和 CVXPYLayer [29] 等框架使得将受限优化直接融入深度学习架构成为可能。

基于MSE的传统MPC假设最小化预测误差自动转化为对照结果的改进。现有方法[11]、[15]、[21]、[22]、[23]、[24]将预测和优化视为独立过程：预测模型训练以最小化均方误差（MSE）或类似指标，而MPC调度决策则基于这些预测进行优化。然而，先前的研究[30]和我们自己的分析表明，最准确的预报并不一定能带来最佳的运营表现。事实上，统计误差略高的预测有时在明确训练时以控制目标为目标，能做出更好的决策。如前文所述，尽管可微优化已被应用于随机优化以解决错位[31]，但其在MPC框架中直接将预测与控制目标结合的潜力仍大多未被充分探索。
为弥补这一空白，我们引入了一个新颖的MPC框架，通过可微优化整合预测与控制。据我们所知，这是最早在MPC领域内明确建立此类联系的研究之一。我们的方法不是将预测和优化视为孤立任务，而是将MPC调度目标直接嵌入预测模型的训练中。我们称这种方法为基于SPO的智能预测然后优化MPC。本研究的主要贡献总结如下：

• •
  我们识别并量化预测误差指标与VPP调度中下游控制性能之间的不一致。
• •
  我们引入了基于微分优化的MPC框架，将经济调度目标直接嵌入预测模型训练中，从而使预测与控制目标保持一致。
• •
  我们通过大量实验验证了所提方法，证明在不同定价条件下，性能优于传统MPC持续提升。