Stochastic Model Predictive Control of Charging Energy Hubs with Conformal Prediction

Resumo Técnico: Controle Preditivo de Modelo Estocástico de Hubs de Energia de Carregamento com Predição Conforme

Definição do Problema
A rápida eletrificação do setor de transportes exige infraestruturas capazes de gerir frotas de veículos elétricos (VEs) de grande escala. Os hubs de energia, que integram geração renovável (fotovoltaica), sistemas de armazenamento de energia por bateria (BESS) e conexões à rede elétrica, são críticos para satisfazer esta procura. No entanto, operar estes hubs de forma custo-efetiva é um desafio devido à incerteza inerente às cargas de carregamento de VEs, à geração solar e aos preços de eletricidade no mercado diário (day-ahead). Os atuais sistemas de gestão de energia (EMS) dependem frequentemente de métodos baseados em regras, heurísticas ou otimização determinística que negligenciam a incerteza ou assumem distribuições de dados específicas, limitando a sua robustez e otimalidade.

Metodologia
Os autores propõem um sistema de gestão de energia online baseado num quadro de Controle Preditivo de Modelo (MPC) estocástico baseado em cenários. A metodologia central integra três componentes principais:

1. Modelagem do Sistema: O hub de energia é modelado como um sistema de fluxo de potência que equilibra a potência da rede ($P_g$), a potência do BESS ($P_b$), a geração solar ($P_{pv}$) e a procura de VEs ($P_{ev}$). A dinâmica do BESS inclui a modelagem de perdas quadráticas relaxadas em restrições de cone de segunda ordem. O objetivo de controle é minimizar os custos operacionais (compra/venda de eletricidade) ao longo de um horizonte de 24 horas, enquanto satisfaz o equilíbrio de potência e as restrições de capacidade da bateria.
2. Previsão Probabilística via Predição Conforme: Para abordar a incerteza sem depender de suposições de distribuição, os autores utilizam um pipeline de aprendizagem automática.
   • Modelos Base: Árvores de decisão baseadas em gradiente (Gradient-boosted trees) são utilizadas para gerar previsões pontuais para a carga de VE, geração solar e preços de eletricidade com 24 horas de antecedência.
   • Quantificação de Incerteza: O algoritmo de Predição Conforme (CP), especificamente o EnbPI (Ensemble of Prediction Intervals), é aplicado aos modelos base. Isto gera intervalos de confiança (intervalos de previsão) calibrados e livres de distribuição para as previsões.
   • Geração de Cenários: Os cenários são construídos selecionando percentis específicos (ex: 5º, 95º e a média) dos intervalos de previsão. Estes cenários são combinados num modelo de árvore estocástica para representar a incerteza conjunta das variáveis, assumindo independência entre elas.
3. Estratégias de Controle: O artigo avalia duas variantes de MPC estocástico contra dois benchmarks determinísticos:
   • MPC Estocástico: Otimiza o custo esperado através de todos os cenários gerados simultaneamente, impondo uma restrição de não-anticipatividade onde as ações de controle são idênticas em todos os cenários dentro do passo temporal atual.
   • MPC de Recurso (Recourse MPC): Uma variante que relaxa a restrição de não-anticipatividade para passos futuros, permitindo ajustes com base na realização do cenário.
   • Benchmarks Determinísticos: Um utiliza previsões perfeitas (oniscientes) e o outro utiliza estimativas pontuais sem quantificação de incerteza.

Principais Contribuições

• Integração de CP com MPC: O artigo introduz um módulo de previsão probabilística para carga de VE, geração fotovoltaica e preços de eletricidade que utiliza modelos de aprendizagem automática de última geração combinados com Predição Conforme. Isto fornece intervalos de incerteza calibrados e livres de distribuição, uma característica frequentemente ausente nas implementações padrão de EMS.
• Otimização Baseada em Cenários: Os autores conceberam um esquema de MPC estocástico baseado em cenários que utiliza estas previsões probabilísticas para otimizar as estratégias de carga/descarga da bateria.
• Avaliação Abrangente: O sistema é avaliado num ambiente simulado de malha fechada ao longo de 280 dias, comparando as abordagens estocásticas propostas com alternativas determinísticas e um benchmark onisciente.

Resultos
A avaliação foi conduzida utilizando dados históricos da Califórnia (carga de VE e fotovoltaica) e dos Países Baixos (preços de eletricidade e emissões de CO2) através de quatro estações.

• Desempenho de Previsão: Os modelos de Gradient-boosted atingiram um baixo erro médio absoluto normalizado (nMAE) para a carga de VE e geração fotovoltaica. No entanto, a previsão de preços de eletricidade apresentou erros mais elevados e menor cobertura de intervalos de previsão no Outono de 2021, atribuído a mudanças de regime de mercado impulsionadas pelos preços do gás.
• Custo Operacional: Comparado com a implementação Onisciente (previsão perfeita), o MPC Estocástico proposto resultou em custos operacionais aproximadamente 13% superiores.
• Comparação com Controle Determinístico: O MPC Estocástico superou o MPC Determinístico (utilizando previsões pontuais) ao reduzir os custos operacionais em 1%.
• Emissões de CO2: As abordagens estocásticas também proporcionaram uma ligeira redução nas emissões de CO2 da rede (melhoria de 0,3% sobre a versão determinística).
• Eficiência Computacional: O tempo de computação para o MPC Estocástico foi de aproximadamente 0,74 minutos por episódio, bem abaixo da resolução temporal de 15 minutos ($\Delta T$) do sistema, confirmando a sua viabilidade para implementação em tempo real.

Significado e Alegações
Os autores afirmam que os seus MPCs Estocástico e de Recurso representam os controladores de melhor desempenho global para o caso de estudo específico, oferecendo uma melhoria de desempenho ligeira mas consistente face aos homólogos determinísticos em todas as estações. O trabalho demonstra que a incorporação de quantificação de incerteza calibrada e livre de distribuição via Predição Conforme num quadro de MPC pode resultar em operações custo-ótimas sem incorrer em custos computacionais proibitivos.

O artigo conclui modestamente que, embora as previsões de estimativa pontual ofereçam um "desempenho aceitável", as abordagens estocásticas proporcionam um benefício mensurável em termos de custo e emissões. Destaca que o overhead computacional dos métodos estocásticos permanece negligenciável em relação à resolução temporal do sistema. Os autores observam que o trabalho futuro se focará na otimização conjunta dos níveis de potência de carregamento e dos cronogramas para veículos individuais, em vez da abordagem agregada utilizada aqui.