Nonparametric Kernel Regression for Coordinated Energy Storage Peak Shaving with Stacked Services

Titolo: Regressione Kernel Non Parametrica per lo Sfasamento dei Picchi (Peak Shaving) Coordinato con Servizi Stacked per l'Accumulo di Energia

1. Problema e Contesto

La crescita rapida della domanda elettrica e le infrastrutture di rete limitate hanno intensificato la necessità di una gestione efficace della domanda, specialmente per i grandi consumatori commerciali e industriali. Questi soggetti affrontano costi elevati, composti da tariffe in tempo reale e, soprattutto, da costi di picco mensile (peak demand charges), che spesso costituiscono la parte più significativa della bolletta.

I sistemi di accumulo energetico a batteria (BESS) installati "dietro il contatore" (behind-the-meter) offrono una soluzione per ridurre i costi e gestire i picchi di domanda. Tuttavia, la sfida principale risiede nel coordinare il peak shaving (sfasamento dei picchi) con altri servizi energetici, come l'arbitraggio energetico (comprare quando l'energia costa poco e vendere quando costa di più).
Le metodologie esistenti presentano diverse limitazioni:

• Si basano su modelli di previsione della domanda e dei prezzi (regressione, reti neurali) che sono computazionalmente costosi e spesso inaffidabili su orizzonti temporali mensili.
• I metodi di ottimizzazione stocastica o programmazione dinamica diventano intrattabili quando si estendono a orizzonti mensili o devono gestire incertezze in tempo reale.
• La gestione simultanea di obiettivi conflittuali (ridurre il picco vs. massimizzare l'arbitraggio) richiede un coordinamento complesso.

2. Metodologia Proposta

Gli autori propongono un framework end-to-end a due stadi che decouple (separa) il problema di controllo, evitando la necessità di previsioni di domanda a lungo termine o ottimizzazioni computazionalmente pesanti.

A. Decomposizione del Problema
Il problema congiunto di minimizzazione dei costi (che include tariffe orarie, costi di picco e degradazione della batteria) viene scomposto in due sottoproblemi sequenziali, basandosi sul fatto che la penalità per il picco ($\kappa$) è molto maggiore dei costi energetici ($\lambda$) e di degradazione ($c$):

1. Fase 1 (Peak Shaving): Determinare la traiettoria minima dello Stato di Carica (SoC) necessaria per soddisfare i requisiti di riduzione del picco. L'obiettivo è minimizzare il picco di domanda, mantenendo il SoC il più basso possibile (con un termine di "tie-breaking" $\delta$) per preservare capacità.
2. Fase 2 (Arbitraggio): Utilizzare la capacità residua della batteria (quella non necessaria per il picco) per massimizzare i profitti dell'arbitraggio energetico, rispettando i vincoli di picco e la traiettoria di SoC stabilita nella Fase 1.

B. Regressione Kernel Non Parametrica
Al posto di modelli di previsione tradizionali, la Fase 1 utilizza un algoritmo di regressione kernel basato sui dati storici:

• Generazione Dati: Vengono utilizzati dati storici di domanda per calcolare le traiettorie ottimali "a posteriori" (hindsight) di SoC e picco.
• Feature: Il modello utilizza finestre di domanda passate (look-back window), combinando i dati di domanda con vettori temporali (seno/coseno) per catturare la stagionalità oraria e giornaliera.
• Predizione: Per ogni istante di tempo, il modello identifica i $K$ vicini più simili (KNN) nella storia.
  • Il target di picco viene calcolato come una media ponderata dei vicini.
  • Il SoC di riserva viene calcolato utilizzando un approccio di confidenza $\alpha$: si seleziona il valore di SoC tale che la somma dei pesi dei vicini sia superiore a una soglia di confidenza $\alpha$. Questo rende la previsione conservativa, garantendo che la riserva sia sufficiente per coprire l'incertezza senza bisogno di previsioni probabilistiche esplicite.

C. Controllo in Tempo Reale
Un controller in tempo reale utilizza le previsioni del SoC di riserva e del target di picco per gestire la batteria:

• Se la domanda supera il target, la batteria scarica per limitare il picco.
• Se la domanda è bassa e c'è spazio nella riserva, la batteria può caricarsi o partecipare all'arbitraggio.
• Il controllo è adattivo e non anticipatorio (non richiede la conoscenza futura).

3. Contributi Chiave

1. Formulazione di Controllo Decoupled: Dimostrazione teorica che il problema dei servizi stacked può essere risolto efficacemente separando la gestione del picco dall'arbitraggio, con una garanzia di decomposizione matematica.
2. Predizione Basata su Kernel Regression: Sviluppo di un algoritmo data-driven che predice direttamente i requisiti di riserva SoC e i target di picco dai dati storici, eliminando la dipendenza da modelli di previsione complessi.
3. Gestione Congiunta: Integrazione delle previsioni kernel con un algoritmo di ottimizzazione per l'arbitraggio, riducendo i costi totali e il ciclaggio inutile della batteria.
4. Validazione Empirica: Test su dati reali di un edificio commerciale di 35 piani a New York City, dimostrando superiorità rispetto agli stati dell'arte basati su previsioni.

4. Risultati

Lo studio è stato condotto su dati di domanda elettrica di 6 anni (2019-2024) di un edificio commerciale a New York, con batterie di potenza variabile da 0.1 a 1.0 MW.

• Risparmio Economico: Il metodo proposto ha ottenuto un risparmio sui costi totali che rappresenta tra il 38.1% e il 58.5% del risparmio teorico massimo ottenibile con una "preveggenza perfetta" (perfect foresight).
• Confronto con Baseline:
  • Il metodo kernel regression ha superato di 1.3 volte le prestazioni del metodo basato su previsioni della domanda (modello XGBoost).
  • Il modello basato su previsioni ha raggiunto solo il 33-39.8% del risparmio teorico, mentre il metodo proposto ha coperto una fetta significativamente maggiore.
• Gestione del Picco: Il controller basato su kernel ha ridotto efficacemente la domanda di picco mensile, adattandosi meglio alle variazioni stagionali rispetto ai modelli di previsione.
• Ciclaggio della Batteria:
  • Il controller con "preveggenza perfetta" richiede un ciclaggio aggressivo (circa 346-366 cicli/anno) per massimizzare i guadagni.
  • Il metodo proposto mostra un ciclaggio più variabile e moderato (76-126 cicli/anno), indicando una minore usura della batteria rispetto all'ottimizzazione ideale, pur mantenendo un'elevata efficienza economica.
  • Il modello basato su previsioni ha ciclaggi ancora più bassi (57-95 cicli/anno), ma con risparmi economici inferiori.

5. Significato e Implicazioni

Questo lavoro è significativo perché offre una soluzione pratica e leggera per la gestione delle batterie commerciali, superando le barriere computazionali e l'incertezza dei modelli di previsione a lungo termine.

• Indipendenza dalle Previsioni: Elimina la necessità di modelli di previsione della domanda mensili, che sono notoriamente difficili da realizzare con precisione.
• Scalabilità: Il metodo è computazionalmente efficiente, rendendolo adatto per piccole imprese e organizzazioni non profit che non possono sostenere costi di ottimizzazione elevati.
• Robustezza: L'uso di un approccio conservativo basato sulla confidenza ($\alpha$) garantisce che i vincoli di picco siano rispettati anche in condizioni di domanda imprevista, proteggendo l'utente da penalità costose.
• Futuro: Il framework apre la strada all'integrazione di ulteriori servizi di rete (es. regolazione di frequenza) mantenendo la semplicità operativa.

In sintesi, gli autori dimostrano che un approccio non parametrico basato sui dati storici può coordinare efficacemente servizi energetici multipli, offrendo un compromesso ottimale tra risparmio economico, affidabilità operativa e durata della batteria.