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

Título

Regressão por Kernel Não Paramétrica para o Corte de Pico Coordenado de Armazenamento de Energia com Serviços Empilhados

1. Problema e Motivação

O crescimento da demanda elétrica e as limitações da infraestrutura da rede intensificaram a necessidade de gestão eficiente da demanda. Grandes consumidores comerciais enfrentam custos significativos de eletricidade, compostos por tarifas em tempo real e, principalmente, cobranças de demanda de pico mensal (peak demand charges).

• Desafio: O "corte de pico" (peak shaving) é complexo porque exige tomada de decisão sob incerteza em horizontes mensais. Métodos existentes dependem de previsões de demanda e preços (usando redes neurais, regressão, etc.) ou otimização computacionalmente intensiva (programação dinâmica), o que se torna inviável para horizontes mensais ou para negócios menores devido ao custo computacional e à dificuldade de modelar incertezas precisas.
• Objetivo: Desenvolver uma estratégia de controle para sistemas de armazenamento de energia (BESS) "atrás do medidor" que coordene o corte de pico com serviços adicionais (como arbitragem de energia), reduzindo custos e estendendo a vida útil da bateria, sem depender de previsões de demanda complexas.

2. Metodologia Proposta

Os autores propõem uma estrutura end-to-end de duas etapas que desacopla o problema de controle em subproblemas sequenciais, garantindo uma decomposição teórica do problema original.

A. Formulação e Decomposição do Problema

O problema original de minimizar custos (balanceando tarifas de pico, preços de energia e degradação da bateria) é decomposto em duas etapas, baseando-se no fato de que a penalidade de pico ($\kappa$) é muito maior que os custos de energia ($\lambda$) e degradação ($c$):

1. Etapa 1 (Corte de Pico): Minimiza a demanda de pico e determina a trajetória de reserva de Estado de Carga (SoC) necessária para garantir que o pico não seja excedido.
2. Etapa 2 (Arbitragem): Utiliza a capacidade de bateria restante (após a reserva para corte de pico) para realizar arbitragem de energia (comprar barato, vender caro), respeitando as restrições de pico e a trajetória de SoC definida na Etapa 1.

B. Algoritmo de Aprendizado e Controle

A inovação central reside na Etapa 1, que não utiliza previsões de demanda, mas sim uma abordagem baseada em dados:

• Regressão por Kernel Não Paramétrica:
  • O modelo utiliza dados históricos de demanda para prever a reserva mínima de SoC necessária para o próximo intervalo de tempo.
  • Entrada: Vetores de "look-back" (janela deslizante de demanda histórica), codificação temporal (seno/cosseno para hora do dia) e características da bateria.
  • Mecanismo: Identifica os $K$ vizinhos mais próximos (KNN) no espaço de características históricas usando distância euclidiana.
  • Confiança ($\alpha$): Introduz um parâmetro de nível de confiança para ajustar a conservadorismo da previsão. O SoC previsto é escolhido de modo a ser maior que uma proporção $\alpha$ dos dados de treinamento dos vizinhos, garantindo robustez contra incertezas.
  • Previsão de Pico: O alvo de corte de pico é calculado como uma média ponderada dos vizinhos, sem ajuste de confiança, pois o controlador em tempo real adapta dinamicamente o alvo.
• Controle em Tempo Real (Algoritmo 1):
  • Recebe a previsão de reserva de SoC e o alvo de pico.
  • Executa a lógica de carga/descarga para manter a reserva de pico (Etapa 1).
  • Aloca a capacidade remanescente para arbitragem (Etapa 2) usando uma política não antecipatória estabelecida.

3. Contribuições Chave

1. Formulação de Controle Desacoplado: Demonstra que o problema de serviços empilhados pode ser reformulado como uma otimização de duas etapas (primeiro reserva para pico, depois arbitragem) com garantia de equivalência teórica sob certas condições.
2. Previsão Baseada em Kernel: Desenvolve um algoritmo de regressão por kernel que prevê diretamente os requisitos de reserva de SoC e alvos de pico a partir de dados históricos, eliminando a necessidade de modelos de previsão de demanda complexos.
3. Gestão Conjunta: Integra as previsões de kernel com um algoritmo de arbitragem, permitindo a gestão desacoplada de corte de pico e arbitragem, reduzindo custos totais e ciclos desnecessários da bateria.
4. Validação Empírica: Validação robusta com dados reais de um edifício comercial em Nova York.

4. Resultados e Simulação

O estudo de caso utilizou dados de demanda de 6 anos (2019-2024) de um edifício comercial de 35 andares em Nova York.

• Comparação: O método foi comparado contra:
  1. Um cenário de "visão perfeita" (determinístico, com previsão perfeita de um mês).
  2. Um controlador baseado em previsão de demanda (modelo XGBoost recursivo).
• Desempenho de Custo:
  • O método proposto superou o controlador baseado em previsão de demanda em todos os tamanhos de bateria testados.
  • O modelo de kernel capturou entre 38,1% e 58,5% das economias de custo alcançadas pelo cenário de "visão perfeita".
  • O controlador baseado em previsão de demanda capturou apenas 33,0% a 39,8% das economias do cenário perfeito.
  • Houve uma melhoria de 1,3 vezes no desempenho em relação ao método baseado em previsão de última geração.
• Ciclagem da Bateria:
  • O controlador de "visão perfeita" operou agressivamente (~350 ciclos/ano).
  • O controlador de kernel apresentou ciclagem mais variável e moderada (~76 a 126 ciclos/ano), indicando menor desgaste da bateria devido à natureza conservadora e adaptativa da previsão de reserva de SoC.
  • O controlador baseado em previsão de demanda teve a menor ciclagem (~57 a 95 ciclos/ano), mas com menor economia de custos.

5. Significado e Conclusão

O trabalho demonstra que é possível gerenciar sistemas de armazenamento de energia para corte de pico e serviços empilhados de forma eficiente e econômica sem depender de previsões de demanda de longo prazo, que são inerentemente imprecisas e computacionalmente caras.

• Praticidade: A abordagem é leve, adaptativa e adequada para aplicações em tempo real em edifícios comerciais.
• Impacto Econômico: Oferece uma solução viável para reduzir custos de eletricidade e mitigar o estresse na rede, superando métodos tradicionais baseados em previsão.
• Futuro: Os autores planejam aprimorar o modelo de kernel e integrar serviços adicionais, como regulação de frequência.

Em resumo, a proposta substitui a complexa modelagem de incerteza e previsão por uma abordagem baseada em similaridade de dados históricos (kernel regression), resultando em um controle mais robusto, com melhor relação custo-benefício e menor desgaste do equipamento.