用电池就像炒股票?听我慢慢说

动态定价,类似于电力市场中的实时电价,可以有效地反映出来电力市场地实时供需变化。本来,如果在经济学理性人的假设下,每个接受动态定价的用户都能实时准确理性地对定价做出反馈,那么系统效率是很有希望大幅度提升的。但是,但由于需求测灵活性的本身不足以及智能控制设备的缺失(无法实时自动做出理性最优决策),这种定价方式在实际中并不能保证有效减少用户端的电费。

不过随着存储系统成本的下降和智能电表的广泛部署,我们或许可以找到新的机会。认准这个机会,我们开始探求动态定价机制下,针对终端用户的最优存储控制框架。

难在哪里呢?

储能控制框架设计的关键挑战在于价格的不确定性,如果我们事先知道动态价格,那么大可以将存储控制问题表述为简单的线性规划问题。但是,动态定价机制下,我们只能设计在线算法。而由于储能设备自身的特性约束,我们所有的决策变量,都是在时间上高度耦合的。

如何用储能炒股票!

受Chau等人[1]启发,我们使用负荷分解技术(one-shot load decomposition)将原始优化问题分解为一系列单段负荷服务问题(如图1所示)。通过假设价格服从的分布,我们发现一个简单的阈值策略已经可以最小化单段负载服务问题的期望成本[2],图2通过检验在线与离线算法的差异,展示了阈值策略的有效性。

而单段负荷服务问题,就像买股票一样。假设你今天无论如何也要买某一个股票,现在想要知道,什么时间购买最为合适。最简单的离线方法,就是全天的价格求个最小值,那当然就是最便宜的。但是如果不知道价格的未来信息,我们能做的就很有限。如果所有信息均不知道,我们需要观察一段时间,然后计算出来一个阈值,这种算法可以达到1/e的近似最优。不过如果假设价格的分布已知,那么就可以设计一系列的时变阈值,来辅助决策,这个算法就可以达到期望最优。

事实上,我们还可以通过计算在线策略和离线策略的期望差值将阈值策略的性能与离线最优值进行比较。通过证明时段负载分解技术可以维持解空间不变,我们说明这种最优控制策略可以有效地构造针对原始问题的最优控制策略[3]。

另一方面,通过设计数据驱动的价格分布估算器,我们可以放宽对价格分布知识的假设。这项任务可以采用高斯混合模型(GMM)来实现,使用EM算法进行GMM参数估计。

图1 时段负荷分解技术
图2 算法在单段负荷服务问题表现

欲知后事如何,欢迎关注本专栏,也欢迎大家多多来我的主页转转~

Chenye's Homepagewww.wuchenye.cn图标

参考文献

[1] Chi-Kin Chau, Guanglin Zhang, Minghua Chen, “Cost minimizing online algorithms for energy storage management with worst-case guarantee,” IEEE Trans. on Smart Grid, vol. 7, no. 6, pp. 2691–2702, 2016.

[2] Jiaman Wu, Zhiqi Wang, Yang Yu, Chenye Wu*, “Optimal Storage Control for Dynamic Pricing”, in submission to IEEE PES General Meeting 2020. arxiv.org/abs/1911.0696

[3] Jiaman Wu, Zhiqi Wang, Chenye Wu*, Kui Wang, Yang Yu,“A Data-driven Storage Control Framework for Dynamic Pricing”, in submission to IEEE Transactions on Smart Grid, Initial Submission: Nov. 2019. arxiv.org/abs/1912.0144

发布于 2019-12-08

文章被以下专栏收录

    从2016年AlphaGo横空出世,人工智能,这个70年前在图灵脑海中的构想,就像插上了翅膀,越来越为人们所熟知,深入了生活的方方面面。时至今日,似乎衣食住行方方面面,都得贴上人工智能的标签,才算得上令人羡慕的黑科技。 坐在自动驾驶的试驾车上,你或许会惊叹科技已经取得的成就;看完复仇者联盟的最后一章,你或许会好奇梦境中的科技离我们还有多远?忙完一天的工作,你或许会偶然焦虑,人工智能是否会取代现在的工作? 希望在这个专栏,我们一起寻找答案