Trading in residential energy systems with storage: a kinetic mean-field approach

Resumo Técnico: Trading em Sistemas Residenciais de Energia com Armazenamento: Uma Abordagem de Campo Médio Cinético

Autores: Margherita Fabini, Andrea Pascucci, Alessio Rondelli.
Contexto: Otimização Estocástica, Teoria de Jogos de Campo Médio, Controle de Sistemas de Energia.

1. Problema Investigado

O artigo aborda o problema de controle ótimo estocástico para a operação de um grande conjunto de dispositivos de armazenamento residencial (baterias) coordenados por um agregador de energia. O agregador remunera os "prosumidores" (consumidores que também produzem energia) em troca do controle direto de suas baterias.

Os objetivos principais do agregador são:

1. Reduzir desequilíbrios locais entre oferta e demanda, suavizando flutuações na rede.
2. Explorar flutuações de preços intradiárias através de arbitragem de energia (comprar barato, vender caro), especialmente relevante em períodos de baixa geração solar (ex: inverno).

O desafio central reside na modelagem física das baterias: diferentemente de modelos onde a potência pode ser ajustada instantaneamente, as baterias reais possuem limitações de taxa de rampa (ramp-rate limitations). Isso significa que a potência de carga/descarga não pode mudar abruptamente, exigindo trajetórias suaves.

2. Metodologia e Formulação Matemática

A contribuição metodológica central é a adoção de uma formulação de campo médio cinético (kinetic mean-field).

• Analogia Cinética: O estado do sistema é modelado em um espaço de fase análogo à física de gases:

  • Posição ($X_t$): Estado de Carga (SOC) da bateria.
  • Velocidade ($V_t$): Potência de carga/descarga.
  • Aceleração/Força ($a_t$): O controle (taxa de variação da potência).
  • Isso transforma o problema em um sistema de Langevin controlado do tipo McKean-Vlasov, onde a dinâmica da "posição" é governada pela "velocidade", e a "velocidade" é governada pelo controle e ruído.

• Dinâmica do Sistema:
  O sistema é descrito por um conjunto de Equações Diferenciais Estocásticas (SDEs) acopladas:

  • Preços de eletricidade ($S_t$) e Carga Líquida do Lar ($H_t$) seguem processos de Ornstein-Uhlenbeck (OU).
  • A potência da bateria ($V_t$) segue uma dinâmica controlada com ruído e dependência do campo médio (lei da distribuição da população).
  • O SOC ($X_t$) é a integral da potência.

• Função Objetivo:
  O funcional de custo minimizado pelo agregador inclui:

  • Custos de troca com a rede (baseados no preço $S_t$).
  • Penalidades convexas para degradação da bateria e esforço de controle (taxa de rampa).
  • Termos de campo médio que penalizam desvios da média da população, promovendo estabilidade agregada.
  • Termos terminais para valor residual de energia e coordenação de fim de horizonte.

• Abordagem de Solução:
  O problema é resolvido utilizando um argumento de ponto fixo sobre o fluxo das leis marginais da população.

  1. Fixa-se uma distribuição de probabilidade (medida) para o estado da população.
  2. Resolve-se um problema de controle estocástico clássico (não dependente da lei da solução) para obter o controle ótimo e a nova trajetória.
  3. Verifica-se se a nova trajetória gera a mesma distribuição inicial (ponto fixo).
     O problema é caracterizado por um sistema acoplado de Equações Diferenciais Estocásticas Diretas e Reversas (FBSDEs) de McKean-Vlasov e uma Equação de Hamilton-Jacobi-Bellman (HJB) ultraparaólica degenerada.

3. Contribuições Chave

1. Modelagem Física Realista: A introdução do controle sobre a aceleração (taxa de rampa) em vez da potência direta garante trajetórias de potência suaves, respeitando as restrições físicas das baterias, o que evita estratégias descontínuas comuns em modelos simplificados.
2. Conexão Teórica: Estabelece uma ponte rigorosa entre o controle ótimo de campo médio e operadores ultraparaólicos de tipo cinético (hipoelípticos). O artigo prova a existência e unicidade de soluções clássicas para a equação HJB associada, utilizando espaços de Hölder anisotrópicos e intrínsecos.
3. Solução Numérica Avançada: Devido à alta dimensionalidade (5 dimensões: tempo, preço, carga, potência, SOC) e ao acoplamento não linear, métodos de grade tradicionais são inviáveis. Os autores utilizam solucionadores baseados em Deep Learning (FBSNN - Forward-Backward Stochastic Neural Networks) para aproximar a solução.
   • A rede neural aproxima o campo de desacoplamento (valor da função).
   • O termo de martingala ($\zeta_t$) é recuperado via diferenciação automática, garantindo consistência e reduzindo parâmetros.
   • O termo de campo médio é tratado via aproximação de partículas (média empírica).

4. Resultados e Experimentos Numéricos

Os experimentos foram calibrados com dados reais do mercado italiano (preço PUN) e dados de sistemas fotovoltaicos/baterias residenciais (SolarEdge).

• Cenários Testados: Simulações para semanas representativas de Junho (alta geração solar) e Dezembro (baixa geração, alta volatilidade).
• Desempenho:
  • A estratégia de controle ótimo demonstrou uma redução sistemática no custo acumulado em comparação com uma estratégia passiva (apenas compensação de carga).
  • A política aprendida não apenas minimiza o custo esperado, mas também reduz a dispersão dos resultados (maior estabilidade).
  • Comportamento da Bateria: O controle ótimo tende a minimizar o uso da bateria quando não estritamente necessário, mitigando a degradação, enquanto a estratégia passiva tende a operar a bateria de forma mais agressiva.
  • Arbitragem: O sistema identifica corretamente janelas de preço baixo para carregar e picos para descarregar.
  • Estabilização da Rede: Os termos de campo médio resultam em uma redução na amplitude das flutuações agregadas, beneficiando a estabilidade da rede.

5. Significado e Impacto

Este trabalho é significativo por várias razões:

• Regulatório: Alinha-se com desenvolvimentos recentes como a Ordem FERC No. 841 (EUA), que exige que mercados de atacado admitam recursos de armazenamento agregados.
• Matemático: Resolve um problema de controle estocástico de alta dimensão e degenerado (hipoelíptico) com interações de campo médio, provando bem-postura em espaços funcionais adequados.
• Prático: Oferece um framework viável para agregadores gerenciarem grandes frotas de baterias residenciais, transformando ativos ociosos em recursos de valor econômico, enquanto respeitam as limitações físicas dos dispositivos e promovem a estabilidade da rede elétrica.

Em suma, o artigo fornece uma base teórica e computacional robusta para a gestão ótima de armazenamento de energia em escala de rede, combinando física de sistemas, teoria de controle estocástico e inteligência artificial.