Distributionally Robust Model Predictive Control for Virtual Power Plants

Resumo Técnico: Controle Preditivo de Modelo Robusto Distribucional para Usinas Virtuais de Potência

Declaração do Problema
Usinas Virtuais de Potência (VPPs) agregam fontes despacháveis e não despacháveis, edifícios residenciais e armazenamento de baterias para participar de mercados de eletricidade e fornecer suporte à rede. No entanto, a operação ótima de VPPs é complicada por incertezas inerentes na geração renovável, na demanda térmica e nos preços do mercado de eletricidade. O Controle Preditivo de Modelo (MPC) tradicional oferece alguma robustez através de sua estrutura de horizonte recedente, mas pode sofrer sob perturbações grandes e não modeladas. O MPC Robusto (RMPC) garante a satisfação de restrições para todas as perturbações admissíveis, mas é frequentemente excessivamente conservador, enquanto o MPC Estocástico (SMPC) reduz o conservadorismo, mas depende de conhecimento probabilístico preciso que raramente está disponível na prática. Erros de previsão nessas variáveis podem se propagar pelo sistema de controle, levando a agendamento subótimo, aumento de custos ou violação de restrições.

Metodologia
O artigo propõe uma estrutura de Controle Preditivo de Modelo Robusto Distribucional (DR-MPC) projetada para lidar com a incerteza dos preços da eletricidade enquanto otimiza o desempenho econômico e o conforto térmico.

• Modelo Unificado de VPP: Os autores formulam um modelo unificado que agrega edifícios residenciais (modelados via uma abordagem de dinâmica térmica 3R2C), armazenamento de baterias e geração renovável (solar e eólica). O sistema opera sob uma restrição de balanço de potência em tempo discreto que liga a produção renovável, a demanda dos edifícios, a operação da bateria e a troca com a rede. A função objetivo minimiza os custos de energia, o desconforto térmico e os custos de degradação da bateria.
• Previsão Baseada em Dados: A estrutura utiliza o Extrator de Representação de Séries Temporais (TiREx), um modelo pré-treinado zero-shot baseado em uma arquitetura xLSTM. O TiREx gera previsões probabilísticas causais para preços de eletricidade, temperatura ambiente, irradiação solar e velocidade do vento. Especificamente, ele produz quantis condicionais ao longo de um horizonte de 24 horas.
• Quantificação da Incerteza: Em vez de usar programação estocástica baseada em cenários ou assumir distribuições precisas, o método constrói distribuições preditivas empíricas por estágio a partir dos quantis previstos. Essas distribuições servem como centros para conjuntos de ambiguidade de Wasserstein variantes no tempo.
• Formulação DR-MPC: O problema de controle é reformulado como um problema de otimização robusta distribucional. Crucialmente, o custo por estágio é afim em relação ao preço incerto da eletricidade. Essa estrutura afim permite uma reformulação tratável em forma fechada do custo esperado no pior caso. A formulação resultante inclui um termo de correção proporcional à sensibilidade ao preço (exposição líquida ao mercado) e ao raio da bola de Wasserstein ($\epsilon$). O raio controla o compromisso entre robustez contra deslocamentos distribucionais e lucro esperado.
• Implementação: A estrutura opera de maneira de horizonte recedente. Em cada passo de tempo, o controlador resolve um problema de otimização de horizonte finito (24 horas) usando o estado atual e os conjuntos de ambiguidade construídos, aplica a primeira entrada de controle e avança o horizonte.

Principais Contribuições

1. Formulação de um Problema de Controle Ótimo DR: O artigo formula um problema de controle de VPP em tempo real que otimiza conjuntamente o desempenho econômico e o conforto térmico enquanto robustifica explicitamente contra a incerteza dos preços da eletricidade.
2. Conjuntos de Ambiguidade Variantes no Tempo: Constrói conjuntos de ambiguidade de Wasserstein variantes no tempo derivados de previsões de quantis empíricos de preços de mercado, permitindo que o modelo de incerteza se adapte à dispersão da previsão.
3. Integração com Previsões Causais: A abordagem integra esses conjuntos dentro de uma estrutura DR-MPC de horizonte recedente usando previsões probabilísticas causais do previsor TiREx.
4. Validação Empírica: O método é validado em um estudo de caso realista nórdico usando dados reais de clima e mercado, demonstrando melhorias consistentes de receita em comparação com o MPC baseado em previsão padrão.

Resultados
A estrutura foi avaliada usando dados reais de Oslo, Noruega, em dois cenários sazonais: um período de primavera (abril–maio) com temperaturas moderadas e geração solar significativa, e um período de outono (outubro) com maior demanda de aquecimento e irradiação reduzida. Três estratégias foram comparadas:

• PF-MPC: Assume conhecimento perfeito do futuro (limite superior).
• FC-MPC: Usa previsões pontuais do TiREx sem margens de robustez (linha de base).
• DR-MPC: Aumenta o FC-MPC com o termo de preço robusto distribucional.

Descobertas:

• Pequenos Raios Melhoram o Desempenho: Quando o raio de ambiguidade ($\epsilon$) é escolhido adequadamente (valores pequenos), o DR-MPC supera consistentemente o MPC baseado em previsão padrão.
  • No cenário de primavera, $\epsilon = 0,25$ gerou um ganho de receita de +0,82% sob incerteza total e +0,78% no caso apenas de preços.
  • No cenário de outono, $\epsilon = 0,5$ performou melhor, alcançando ganhos de +0,76% (incerteza total) e +0,57% (apenas preços).
• Penalidade de Conservadorismo: Raios maiores (por exemplo, $\epsilon = 2$) tornaram-se excessivamente conservadores, reduzindo significativamente a receita (queda de até -7,77% no cenário de outono). Isso sublinha a importância da seleção adequada do raio para evitar restringir arbitragem lucrativa.
• Dominância da Incerteza de Preços: Experimentos que isolaram a incerteza de preços (com conhecimento perfeito do clima) confirmaram que a incerteza de preços é o principal motor do risco econômico neste contexto, embora a remoção da incerteza climática tenha aumentado os níveis absolutos de receita.

Significado e Alegações
O artigo alega que a estrutura DR-MPC proposta oferece um aprimoramento prático e eficaz ao MPC padrão para operação de VPPs consciente de incertezas. Ao integrar informações de distribuição preditiva diretamente na tomada de decisão em tempo real via conjuntos de Wasserstein variantes no tempo, o método alcança benefícios econômicos consistentes (até 0,8% de melhoria de receita) sem exigir modelos probabilísticos precisos. Os autores enfatizam que a abordagem preenche a lacuna entre o conservadorismo do RMPC e a dependência de dados do SMPC.

Limitações e Trabalhos Futuros
Os autores notam uma limitação regarding a construção por estágio das distribuições empíricas de preços. Como os conjuntos de ambiguidade são construídos independentemente em cada passo de previsão a partir de previsões de quantis marginais, as dependências temporais no processo de preços não são capturadas explicitamente. Isso pode levar a uma robustificação excessivamente conservadora de decisões de arbitragem intertemporal (por exemplo, agendamento de carga/descarga de baterias) onde a distribuição conjunta dos preços importa.

Trabalho futuro é proposto para abordar isso construindo conjuntos de ambiguidade de Wasserstein conjuntos sobre trajetórias de preços. Além disso, os autores sugerem estender o modelo de VPP para portfólios heterogêneos, incorporando incerteza na geração renovável e na demanda térmica via aproximação média amostral ou métodos baseados em cenários, e desenvolver mecanismos baseados em dados para selecionar dinamicamente o raio de Wasserstein com base na estação ou no tempo.