⚡ electrical engineering

Adversarially and Distributionally Robust Virtual Energy Storage Systems via the Scenario Approach

Dit artikel presenteert een convex, datagedreven raamwerk voor het coördineren van virtuele energieopslag via elektrische voertuigen dat, dankzij de scenario-benadering en uitbreidingen voor adversariale en distributie-robustheid, wiskundige garanties biedt op operationele veiligheid en economische prestaties onder onzekerheid.

Oorspronkelijke auteurs: Georgios Pantazis, Nicola Mignoni, Raffaele Carli, Mariagrazia Dotoli, Sergio Grammatico

Gepubliceerd 2026-04-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Georgios Pantazis, Nicola Mignoni, Raffaele Carli, Mariagrazia Dotoli, Sergio Grammatico

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een parkeerplaats niet alleen een plek is om je auto te stallen, maar ook een gigantische, virtuele batterij.

Dit is de kern van het onderzoek in dit paper. De auteurs (Georgios Pantazis en zijn team) hebben een slimme manier bedacht om de batterijen van honderden elektrische auto's die op een parkeerterrein staan, samen te gebruiken om energie op te slaan en te verkopen. Maar er zit een grote "maar" aan: auto's komen en gaan op onvoorspelbare tijden, en hun batterijstatus is niet altijd bekend.

Hier is hoe ze dit probleem oplossen, vertaald naar alledaagse taal:

1. Het Probleem: Een dans op een onstabiel ijsje

Stel je voor dat je een Parkeermanager bent (de PLM). Je hebt een deal met een wijk vol mensen die zonnepanelen hebben (prosumers). Zij willen dat jij hun energie opslaat als de zon schijnt en teruggeeft als het donker is.

Je hebt echter een probleem:

Onzekerheid: Je weet niet precies wanneer de auto's vertrekken. Als er plotseling 50 auto's wegrijden, is je "virtuele batterij" plotseling veel kleiner dan je dacht.
Risico: Als je te optimistisch bent en te veel energie verkoopt, en er vertrekken meer auto's dan verwacht, dan kun je je belofte niet nakomen. Dat is gevaarlijk en kost geld.
Slechte data: Soms is je data over auto-gedrag niet perfect. Misschien is er een computerfoutje, of misschien is het gedrag van vandaag anders dan gisteren (bijvoorbeeld door een storm of een feestje).

2. De Oplossing: De "Scenario-Aanpak" (Het Koken met Proefjes)

In plaats van te gokken of een wiskundig model te gebruiken dat uitgaat van "gemiddelden", gebruiken de auteurs een methode die Scenario-Optimalisatie heet.

De Analogie: Stel je voor dat je een chef-kok bent die een nieuw gerecht moet bedenken voor een groot diner. Je hebt geen recept, maar je hebt 1000 proefjes (data) van hoe mensen in het verleden hebben gegeten.
De Methode: Je kookt je gerecht niet op basis van één proefje, maar je test het tegen alle 1000 proefjes. Als het gerecht voor 999 van de 1000 proefjes goed is, ben je vrij zeker dat het ook goed gaat voor de 1000e.
De Wiskundige "Garantie": Het paper zegt: "Met deze methode kunnen we wiskundig bewijzen: als je 1000 proefjes gebruikt, is de kans dat het misgaat bij een nieuwe klant kleiner dan 1%." Dit noemen ze finite-sample guarantees. Je hoeft niet te weten hoe de wereld precies werkt, zolang je maar genoeg voorbeelden hebt.

3. De Nieuwe Twist: Tegen "Slechte" Data en Hackers

Het paper gaat nog een stap verder. Wat als je data niet alleen onzeker is, maar ook verpest of aangevallen?

Adversariaal (Tegenstander): Stel dat er een hacker is die de data over auto-vertrekken een beetje manipuleert om je systeem te laten falen. Of dat je sensoren ruis hebben.
Verspreidingsverschuiving (Distributional Shift): Stel dat je data uit de zomer komt, maar je moet plannen voor de winter. Het gedrag is fundamenteel anders.

De auteurs hebben hun model robust (weerbestendig) gemaakt.

De Analogie: In plaats van te koken voor een perfecte gast, kook je voor een gast die misschien allergisch is, of die zijn eten vergiftigd heeft. Je maakt je gerecht zo, dat het zelfs als de gast een beetje "verpest" is, nog veilig en lekker blijft.
Ze gebruiken een wiskundig concept genaamd Wasserstein-afstand. Denk hierbij aan een "veiligheidszone" rondom je data. Als de werkelijkheid binnen die zone valt (zelfs als het een beetje verschuift of vervormd is), blijft je plan werken.

4. De Balans: Winst vs. Veiligheid

De manager heeft een keuze:

Optimistisch: "Ik verkoop alles, ik maak veel winst, maar als er een auto te laat vertrekt, loop ik risico."
Zorgzaam: "Ik verkoop niets, ik ben 100% veilig, maar ik maak geen winst."

Dit paper geeft de manager een dial (knop) om dit zelf in te stellen.

Je kunt zeggen: "Ik wil 95% zekerheid, en ik accepteer dat ik iets minder winst maak."
Of: "Ik wil 99,9% zekerheid, zelfs als de data slecht is."
Het systeem berekent dan automatisch het beste plan voor die specifieke instelling.

5. Wat zeggen de tests?

De auteurs hebben dit getest in een computer-simulatie.

Ze lieten zien dat hun "veilige" methode inderdaad minder vaak faalt dan de oude methoden, zelfs als de data gekaapt of verpest is.
Ze lieten zien dat je de "veiligheidsknop" kunt draaien: hoe veiliger je wilt zijn, hoe minder winst je maakt, maar hoe zekerder je bent dat het werkt.

Samenvatting in één zin

Dit paper biedt een slimme, wiskundig bewezen manier voor parkeergarages om de batterijen van elektrische auto's te gebruiken als een veilige energie-opslag, zelfs als de data imperfect is, hackers proberen te spelen, of het gedrag van mensen onverwachts verandert.

Het is alsof je een onbreekbare paraplu hebt die je zelf kunt instellen: hoe harder het regent (hoe slechter de data), hoe steviger je de paraplu kunt vasthouden, zonder dat je nat wordt (zonder dat het systeem faalt).

Titel

Adversariaal en Distributie-robuste Virtuele Energieslagsystemen via de Scenario-aanpak

1. Probleemstelling

Het artikel onderzoekt het gebruik van geaggregeerde batterijen van elektrische voertuigen (EV's) op parkeerterreinen als Virtuele Energieslagsystemen (VESS). Een parkeerterreinmanager (PLM) bundelt de batterijen om energiediensten te verlenen aan een gemeenschap van "prosumers" (consumenten die ook produceren) en handelt met een energieleverancier (retailer).

De kernuitdagingen zijn:

Onzekerheid: EV-aankomsten, vertrekken en laadtoestanden (State of Charge - SoC) zijn tijdsvariërend en onzeker.
Veiligheid vs. Winst: De PLM moet economisch rendabele beslissingen nemen (handelsstrategieën) zonder de operationele veiligheid te riskeren (bijv. dat de batterij leegloopt bij het vertrek van een EV of de capaciteitsgrens overschrijdt).
Data-gevoeligheid: Bestaande methoden gaan vaak uit van deterministische modellen of perfecte statistische verdelingen. In de praktijk kunnen trainingsdata echter ruis, adversariale verstoringen (hacken/manipulatie) of statistische verschuivingen (distributional shifts) bevatten, wat leidt tot onbetrouwbare voorspellingen na implementatie.

2. Methodologie

De auteurs ontwikkelen een convex, data-gedreven kader gebaseerd op de Scenario-aanpak (Scenario Optimization). Dit kader biedt eindige steekproefgaranties zonder aannames te doen over de onderliggende kansverdeling.

Kerncomponenten:

Convex Formulier: Het probleem wordt gemodelleerd als een convex optimalisatieprobleem waarbij de PLM de energie-uitwisseling met de retailer ( $r_k$ ) en de virtuele batterijstatus ( $b_k$ ) bepaalt om de kosten te minimaliseren, onderworpen aan onzekere beperkingen (verlies door vertrekken $\ell_k$ en tijdsvariabele capaciteit $\beta_k$ ).
Scenario-benadering: In plaats van een kansverdeling te modelleren, worden $N$ steekproeven (scenario's) van de onzekere parameters gebruikt om een benaderend optimalisatieprobleem op te lossen. Dit levert garanties op voor de waarschijnlijkheid van schendingen van beperkingen op onzichtbare data.
Profit-Risk Trade-off: Door een relaxatieparameter ( $\rho$ ) in te voeren, kan de PLM bewust kleine schendingen van trainingsscenario's toestaan (gepenaliseerd in de kostenfunctie) om de economische prestaties te verbeteren. Dit creëert een expliciete afweging tussen winst en operationele veiligheid.
Robuustheid tegen Verstoringen:
- Adversariaal: Het model wordt uitgebreid met een "trust-region" rondom de trainingsdata. De PLM neemt aan dat de werkelijke data binnen een bepaald bereik van de trainingsdata kan liggen (bijv. door ruis of aanvallen).
- Distributioneel (Wasserstein): Om om te gaan met verschuivingen in de verdeling van de data na implementatie, wordt een Wasserstein-afstand gebruikt. Dit definieert een "ambiguïteitsset" van mogelijke verdelingen die dichtbij de trainingsverdeling liggen.

3. Belangrijkste Bijdragen

Unificatie van Actoren: Een convex model dat de interactie tussen de PLM, prosumer-gemeenschap en retailer integreert, inclusief onzekere EV-vertrekverliezen en variabele capaciteitslimieten.
Data-gedreven Garanties: Afleiding van een methode die distributie-vrije garanties biedt voor schendingen van beperkingen op onzichtbare data. De PLM kan de trade-off tussen winst en risico expliciet afstellen via de parameter $\rho$ .
Robuustheid Certificaten: Uitbreiding van het model naar adversariaal robuuste en distributioneel robuuste formuleringen. Dit resulteert in certificaten die geldig blijven zelfs als de trainingsdata corrupt is of als de werkelijke verdeling van EV-gedrag afwijkt van de historische data (out-of-distribution).
Tunbare Strategie: Een algoritme (Algorithm 1) dat de PLM toelaat om de beste beleidskeuze te vinden door het optimaliseren van de vertrouwensstraal ( $R$ ) en de risicoparameters ( $\mu, \rho$ ) om een gewenst veiligheidsniveau te bereiken.

4. Resultaten

Numerieke studies bevestigen de theoretische voorspellingen:

Winst-Risico Afweging: Er is een duidelijke correlatie tussen de gekozen parameter $\rho$ en de prestaties. Een lagere $\rho$ (meer tolerantie voor schendingen) leidt tot hogere winst, maar verhoogt het risico op schendingen.
Theoretische vs. Empirische Garanties: De theoretisch afgeleide bovengrenzen voor schendingen (de "certificaten") komen overeen met de waargenomen schendingen in simulaties.
Robuustheid tegen Shifts: Het adversariaal robuuste beleid presteert aanzienlijk beter dan een "nominaal" beleid (zonder adversariaal training) wanneer de testdata verschilt van de trainingsdata (distributional shift). Het nominaal beleid faalt vaak en overschrijdt de risiconiveaus, terwijl het robuuste beleid veilig blijft binnen de theoretische grenzen.
Invloed van Steekproefgrootte: Een groter aantal trainingssteekproeven ( $N$ ) vermindert de kans op schendingen significant, zij het met een kleine toename in operationele kosten.

5. Betekenis en Toekomstperspectief

Dit onderzoek biedt een fundamentele stap voorwaarts in het veilig en economisch rendabel maken van virtuele energieslagsystemen.

Praktische Toepasbaarheid: Het biedt managers een instrument om veiligheidsrisico's kwantitatief te sturen in plaats van te vertrouwen op conservatieve, statische modellen.
Cyberveiligheid: Door rekening te houden met adversariale verstoringen, maakt het model VESS-systemen weerbaarder tegen data-manipulatie en onnauwkeurigheden in sensoren.
Toekomst: De auteurs plannen om deze aanpak uit te breiden met batterijgezondheidsmodellen (health considerations), actieve deelname van EV-gebruikers, en schaalbaarheid naar grootschalige netwerken met meerdere parkeerterreinen.

Kortom, de paper presenteert een wiskundig onderbouwde, flexibele en robuuste framework dat de overgang van theoretische optimalisatie naar veilige, real-world implementatie van EV-gebaseerde energieslagsystemen mogelijk maakt.