Интегральное программирование для оптимального проектирования систем хранения энергии в микросетях

Микросети - это локализованные энергетические системы, которые могут работать независимо или в сочетании с основной энергосистемой. Они необходимы для повышения энергетической устойчивости, интеграции возобновляемых источников энергии и оптимизации использования энергии на уровне распределения. Для эффективного проектирования этих систем требуются сложные математические инструменты. Среди них целое программирование выделяется как мощный метод принятия дискретных решений - например, сколько единиц хранения для установки или какие технологии выбрать - одновременно управляя непрерывными переменными, такими как потоки энергии и состояние заряда. В этой статье рассматривается применение целого программирования для оптимального проектирования систем хранения энергии (ESS) в микросетях, подробное формулирование проблем, методы решения, практические задачи и новые направления исследований.

Понимание целочисленного программирования

Целое программирование (IP) является ветвью математической оптимизации, где некоторые или все переменные решения ограничены принимать только целые значения. В отличие от линейного программирования, которое имеет дело исключительно с непрерывными переменными, целое программирование идеально подходит для задач, связанных с дискретным выбором - например, числом модулей батареи для установки или бинарным решением включать или исключать конкретную технологию. Когда появляются как целые, так и непрерывные переменные, модель называется смешанной целочисленной линейной программой (MILP) или смешанной целочисленной нелинейной программой (MINLP), в зависимости от характера цели и ограничений.

Почему целые числа имеют значение в дизайне хранилища энергии

Блоки накопления энергии — будь то батареи, маховики или водородные системы — обычно модульные. Дизайнер не может установить 2,7 аккумуляторных батарей; они должны выбрать целое число идентичных блоков или выбрать дискретные размеры из каталога производителя. Аналогичным образом, решение инвестировать в конкретный актив хранения (например, проточная батарея против литий-ионного) по своей сути двоично. Целое программирование захватывает эти реальности, производя решения, которые являются математически оптимальными и физически реализуемыми. Кроме того, многие эксплуатационные ограничения, такие как минимальные пороги выходной мощности или обязательство блока, включают целочисленную логику. Без целочисленных переменных оптимизация даст дробные, часто непрактичные рекомендации.

Роль линейного смешанного числа

MILP является наиболее широко используемой формой целочисленного программирования для проектирования микросетей. Линейность цели и ограничений в сочетании с целочисленными ограничениями позволяет решателям, таким как Gurobi, CPLEX и альтернативы с открытым исходным кодом, находить глобально оптимальные решения для проблем умеренного размера. Модели MILP могут включать тысячи ограничений и переменных, что делает их пригодными для реалистичного планирования микросетей. Для проблем с нелинейностью, таких как деградация батареи в зависимости от глубины разряда, используются MINLP или поштучно линейные приближения, но MILP остается рабочей лошадкой как в академических кругах, так и в промышленности.

Применение в проектировании систем хранения энергии

При проектировании ЭСС для микросети инженеры должны определить оптимальный размер (энергоемкость), мощность, тип технологии, количество блоков, а иногда и физическое размещение в сети. Целью обычно является минимизация общей стоимости (капитала плюс эксплуатационная) при обеспечении надежного снабжения электроэнергией для удовлетворения различного спроса, особенно с учетом прерывистости возобновляемой генерации. Целые модели программирования учитывают одновременно несколько факторов:

Капитальные и эксплуатационные расходы — расходы на закупку, установку, техническое обслуживание и замену для каждого блока хранения.
Вариабельность возобновляемых источников энергии — профили солнечной и ветровой энергии, часто представленные через несколько временных рядов или сценариев.
Требования к потреблению электроэнергии — почасовые или субчасовые схемы потребления электроэнергии, которые могут быть детерминированными или стохастическими.
Ограничения сети — ограничения на обмен мощности с основной сеткой, пропускную способность трансформатора и пределы напряжения или тепловой мощности.
Ограничения на хранение — эффективность, глубина разряда, пределы зарядки/разрядки и динамика состояния заряда.

Оптимизация направлена на выявление комбинации блоков хранения (например, двух литий-ионных блоков мощностью 200 кВт и одной 100 кВт-точной батареи), которые наилучшим образом уравновешивают стоимость, надежность и техническую осуществимость. Без целочисленного программирования непрерывное решение может потребовать 2,3 единицы определенного типа, что невозможно; округление может привести к неоптимальным или невыполнимым конструкциям.

Пример: размер банка батареи для микросети больницы

Рассмотрим критическую микросеть установки, которая должна обеспечивать бесперебойное питание. Модель MILP может включать в себя бинарные переменные для установки каждого типа батареи (например, I _]i = 1, если выбрана технология i) и целочисленные переменные для количества модулей (N _i). Цель минимизирует общую стоимость жизненного цикла при условии ограничений, которые гарантируют, что система может удовлетворить нагрузку во время 24-часового отключения сети, уважать максимальные показатели мощности и оставаться в пределах доступного пространства. Решитель возвращает целое решение - например, установка 3 единиц технологии A и 0 технологии B - которые могут быть непосредственно реализованы в процессе закупок.

Формулирование проблемы оптимизации

Формулировка целочисленной модели программирования для ESS-дизайна следует структурированному подходу: переменные решения, объективная функция и ограничения. Ниже мы наметим типичную формулировку MILP.

Переменные решения

Бинарные переменные: y_i ∈ {0,1} указывают, выбрана ли конкретная технология хранения или тип единицы i.
Целые переменные: x_{i ∈ Z+ представляют собой число идентичных единиц хранения типа i, установленных.}
Непрерывные переменные: P_t^{, P}, P_t^, и E_t (состояние заряда) для каждого этапа t представляют потоки энергии и уровни энергии.
Непрерывные переменные для сетевого обмена: P_t^grid могут быть положительными (импорт) или отрицательными (экспорт).

Объективная функция

Наиболее распространенной целью является минимизация общей чистой приведенной стоимости (НЦП) за горизонтом планирования (например, 20 лет).

Минимизируйте: _icap; x_{i_{i^{O&M_i[T]] + ∑_tt}}grid ·Δt · P_t^grid}
[[FLT

где C_icap^cap — удельные капитальные затраты, C_iO&M — ежегодные затраты на эксплуатацию и техническое обслуживание на единицу, T — количество лет, а C_t — тариф на время использования.^{— альтернативные цели включают минимизацию выбросов углерода, максимизацию надежности (например, минимизацию ожидаемой потери нагрузки) или максимизацию внутренней нормы доходности.}

Ограничения

Типичные ограничения могут быть сгруппированы как:

Баланс мощности : спрос = возобновляемые источники энергии + импорт энергосистемы + разгрузка − экспорт энергосистемы − заряд
Динамика хранения: E_t+1 = η^c; P_t]charge^{; Δt −^d]^{discharge^{· Δt + E_t}}}
Пределы емкости хранения : 0 ≤ E_t ≤ x_i · E_max,i (где E_max,i — номинальная энергетическая емкость одной единицы)
Пределы мощности : 0 ≤ P_t^{]разряд} ≤ x_imax,i^разряд и аналогично для зарядки
Минимальная глубина разряда: E_t ≥ x_i · E_min,i (для сохранения времени автономной работы)
Границы подключения : |P_t^grid | ≤ P_max^grid
Бюджет: ∑_i C_icap · x_i ≤ Бюджет
Бинарно-целое звено: x_i ≤ M · y_i (обеспечивает нулевые единицы, если технология не выбрана)

Последнее ограничение - это формулировка "большого М", обычно используемая в оптимизации для обеспечения того, чтобы целое число стало нулем, когда двоичная переменная равна нулю. Значение М должно быть больше, чем любое возможное число единиц.

Устранение неопределенности

В действительности, требования к генерации из возобновляемых источников и нагрузки неопределенны. Для решения этой проблемы стохастическая модель целочисленного программирования (SIP) может включать в себя несколько сценариев с связанными вероятностями. Цель затем становится ожидаемой стоимостью, и ограничения должны быть удовлетворены для каждого сценария (или допускаются регрессные действия). Двухэтапное стохастическое программирование является общим: решения первого этапа (число и типы единиц) принимаются «здесь и сейчас» до того, как неопределенности будут реализованы, в то время как операционные решения второго этапа (диспетчерская) адаптируются к каждому сценарию. Это создает надежную конструкцию, которая хорошо работает в диапазоне возможных фьючерсов. Хотя проблемы SIP являются вычислительно тяжелыми, достижения в алгоритмах разложения (например, разложение Бендеров) делают их тяготеющими для реалистичных микросетей.

Преимущества использования целочисленного программирования

Целое программирование предлагает конкретные преимущества перед эвристическими или непрерывными методами проектирования микросетей ESS:

Производит точные и практические решения — Целый характер гарантирует, что окончательный дизайн соответствует фактически доступным продуктам, избегая фракционных единиц, которые не могут быть закуплены.
Сложный, многокритериальный процесс принятия решений — Цель может включать противоречивые цели (стоимость против надежности) с помощью взвешенных сумм или методов ограничения эпсилон, что дает границы Парето для анализа компромиссов.
Упрощает анализ сценариев и тестирование чувствительности — После создания модели инженеры могут легко изменять входные параметры (например, прогнозы стоимости батареи, ставки дисконтирования или политические стимулы) и повторно решать, поддерживая надежное планирование в условиях неопределенности.
Поддерживает устойчивое и экономически эффективное развитие системы — Путем явного моделирования выбросов, сокращения возобновляемых источников энергии или зависимости от сети, комплексное программирование может помочь разработать микросети, которые соответствуют целям устойчивости, оставаясь при этом экономически жизнеспособными.
FLT:0 предоставляет теоретические гарантии оптимальности, в отличие от эвристических методов (например, генетических алгоритмов), MILP-решители могут доказать глобальную оптимальность (в пределах толерантности), давая лицам, принимающим решения, уверенность в том, что лучшего решения не существует в пределах определенных ограничений.

Проблемы и ограничения

Несмотря на свою мощь, целочисленное программирование представляет собой несколько проблем, которые необходимо решать на практике.

Вычислительная сложность

Целое программирование в целом NP-твердое. По мере роста числа целочисленных переменных (особенно бинарных переменных для выбора технологии и ограничений, связанных со временем) время решения может взорваться. Для микросети с 8760 часовыми шагами и десятками потенциальных единиц хранения полученный MILP может содержать миллионы ограничений и переменных. Решения часто требуют тщательной настройки, теплых запусков или разложения. Даже тогда поиск доказуемо оптимального решения может занять часы или дни. В таких случаях практикующие могут принять решение «достаточно хорошо» с небольшим разрывом оптимальности (например, 1-5%).

Требования к данным

Точные входные данные — профили нагрузки, временные ряды возобновляемой генерации, тарифные структуры, кривые деградации — имеют важное значение. Во многих реальных проектах такие данные являются неполными или неопределенными. Плохие входные данные могут сделать математически оптимальное решение ненадежным на практике. Анализ чувствительности может помочь, но это увеличивает нагрузку.

Моделирование предположений

Большинство моделей целочисленного программирования предполагают линейность и выпуклость, которые могут не сохраняться для таких явлений, как нелинейное старение батареи или формирование рыночной цены. Можно использовать линейные приближения или MINLP, но они увеличивают сложность. Кроме того, целочисленное программирование часто игнорирует динамику в коротких временных масштабах (подминута), которая может повлиять на срок службы батареи, требуя отдельного подробного моделирования после этого.

Интеграция с контролем реального времени

Оптимальный дизайн, полученный из целочисленного программирования, является решением планирования. Затем он должен быть интегрирован с системой управления энергией в реальном времени (EMS), которая обрабатывает поминутные операции. Хотя дизайн может быть оптимальным в ожидании, фактические условия работы могут отклоняться, что приводит к неоптимальной производительности, если EMS не оптимизирована для проектирования. Иерархические рамки оптимизации, которые сочетают планирование и работу, являются активной областью исследований.

Будущие направления и тенденции исследований

Роль целочисленного программирования в дизайне микросетей ESS быстро развивается, чему способствуют достижения в алгоритмах, аппаратном обеспечении и энергетическом переходе.

Гибридные модели с машинным обучением

Машинное обучение (ML) все чаще используется для приближения сложных ограничений (например, деградация батареи) или для создания быстрых проверок осуществимости в рамках целочисленных программирующих решателей. Например, нейронная сеть может предсказать жизнь цикла как функцию рабочих шаблонов, и ее по частям линейное приближение может быть встроено в формулу MILP. И наоборот, целочисленное программирование может использоваться для интерпретации и настройки предсказаний ML. Эта синергия обещает более точно захватывать нелинейности при сохранении разрешимости.

Декомпозиция и параллельные вычисления

Крупномасштабные проблемы планирования микросетей часто решаются с помощью разложения Бендеров, лагранжевой релаксации или метода чередования направлений множителей (ADMM). Эти методы разбивают проблему на более мелкие подзадачи (например, блок времени или сценарий) и координируют через основную проблему. С появлением облачных вычислений и графических процессоров становится возможным решение ранее неразрешимых целочисленных программ. Инструменты с открытым исходным кодом, такие как COIN-OR и JuMP , снижают барьер для исследователей и небольших компаний.

Многоэнергетические и многовекторные системы

Будущие микросети будут включать в себя не только электричество, но и тепло, водород и природный газ. Целые модели программирования должны будут обрабатывать сопряженные энергетические векторы с технологиями преобразования (электролизеры, топливные элементы, тепловые насосы). Дискретный характер приверженности блоку и выбор технологий делает IP еще более центральным. В последнее время работа по оптимальному проектированию «умных энергетических хабов» использует MILP для координации нескольких типов хранения на разных энергоносителях.

Распределенная оптимизация и конфиденциальность

В микросетях сообщества несколько прозумеров могут владеть блоками хранения и хотят делиться ими. Целое программирование может применяться распределенным образом с использованием ADMM или консенсусных алгоритмов, где каждый агент решает локальный MILP и обменивается ограниченной информацией. Это сохраняет конфиденциальность при достижении глобально почти оптимального дизайна. Распределенный IP для микросетей является новой областью, с потенциальными приложениями в одноранговой торговле энергией и виртуальных электростанциях.

Достижения Solver Open Source

Собственные решатели, такие как Gurobi и CPLEX, остаются золотым стандартом для MILP, но альтернативы с открытым исходным кодом, такие как HiGHS, SCIP и CBC, закрывают разрыв. Для многих проблем микросетей умеренного размера эти решатели уже жизнеспособны. По мере роста поддержки сообщества с открытым исходным кодом, целое программирование станет доступным для более широкой аудитории инженеров и планировщиков. Например, структура CHiPPS (COIN-OR High-Performance Parallel Search) обеспечивает возможности параллельного целочисленного программирования.

Практические рекомендации для инженеров

Для инженеров, которым поручено реализовать целочисленное программирование для проектирования ESS, несколько лучших практик могут улучшить результаты:

Начните с упрощенной модели — Начните с небольшого количества репрезентативных периодов времени (например, 12 типичных дней) и нескольких вариантов хранения.
Использовать снижение сценария — При работе с неопределенной генерацией из возобновляемых источников, применять кластеризацию или сопоставление моментов, чтобы уменьшить сотни сценариев до нескольких, которые фиксируют основную изменчивость.
Использование исходных тестов с открытым исходным кодом — Доступно множество решенных тестовых случаев (например, из микрогридного хранилища или библиотеки «MIPLIB») для тестирования решателей и сравнения формул.
Решения для целочисленных чисел после обработки — Запустите детерминированное моделирование отправки с использованием оптимальной целочисленной конструкции, чтобы убедиться, что эксплуатационные ограничения удовлетворяются реалистичным временным разрешением.
Обнаружение разложения — Для проблем с множеством этапов времени или сценариев, реализуйте вращающийся горизонт или временное разложение, чтобы разделить MILP на управляемые куски.

Заключение

Целое программирование обеспечивает строгую основу для оптимального проектирования систем хранения энергии в микросетях. Включая дискретный характер блоков хранения и бинарные решения выбора технологии, эти модели дают непосредственно реализуемые решения, которые балансируют стоимость, надежность и устойчивость. В то время как вычислительные и связанные с данными проблемы сохраняются, продолжающиеся достижения в алгоритмах, решениях с открытым исходным кодом и гибридных методах ML-IP расширяют границы того, что может быть оптимизировано. Поскольку микросети распространяются как краеугольный камень перехода чистой энергии, целое программирование останется важным инструментом для дизайнеров и планировщиков, которые стремятся построить системы, которые являются экономически обоснованными и технически надежными. В следующем десятилетии, вероятно, будет более широкое внедрение стохастического и распределенного целочисленного программирования, что позволит еще более умным, более устойчивым энергетическим системам во всем мире.