⚡ electrical engineering

Stochastic Model Predictive Control of Charging Energy Hubs with Conformal Prediction

本文提出了一种基于场景的随机模型预测控制框架，用于优化能源枢纽中的电动汽车充电，该框架利用符合预测（conformal prediction）来生成校准后的概率预测，并证明了其相比于确定性方法具有更优的成本性能，同时接近完美预测的效率。

原作者： Diego Fernández-Zapico, Theo Hofman, Mauro Salazar

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Diego Fernández-Zapico, Theo Hofman, Mauro Salazar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位非常豪华且自给自足的电动汽车充电站的船长。你拥有一个巨大的太阳能屋顶、地下室里有一个巨大的电池组，并且与主电网相连。你的职责是每 15 分钟决定一次：是为电池充电、将电量释放给车辆使用，还是从电网买电或卖电。目标是什么？是尽可能少花钱，同时让车主们满意。

棘手的部分在于，未来是模糊不清的。你不知道会有多少辆车出现，会有多少阳光照射在你的屋顶上，也不知道明天的电价会是多少。如果你猜错了，你可能会买到昂贵的电力，或者浪费掉免费的太阳能。

水晶球问题

大多数船长使用“点预测”（point forecast），这就像看一个天气应用，上面写着：“明天气温 75°F”。这是一个单一的猜测。但现实世界是混乱的。如果实际气温是 85°F 呢？或者是 65°F 呢？

这篇论文的作者尝试了另一种方法。他们没有只使用一个猜测，而是使用了“随机性”（stochastic）方法。你可以把它想象成看一个天气应用，它给了你三种可能的未来：一个“最佳情况”的晴天，一个“最坏情况”的阴天，以及一个“中规中矩”的一天。他们称这些为场景（scenarios）。

为了让这些场景变得可靠，他们使用了一种特殊的数学技巧——符合性预测（Conformal Prediction）。想象一下，你有一个机器学习机器人，它非常擅长猜测数字，但却很不擅长表达自己“有多确定”。符合性预测就像是在这个机器人的猜测周围套上了一个安全网。它并不假设误差遵循特定的模式（比如正态分布/钟形曲线）；相反，它利用过去的错误来勾勒出未来的范围。论文中提到这个框是“无分布限制的”（distribution-free），这意味着即使数据很奇怪或难以预测，它依然有效。

实验：280 天的模拟

研究人员不仅停留在理论层面，他们还构建了一个充电枢纽的数字孪生体，并在模拟环境中运行了 280 天（大约 9 个月）。他们测试了四种不同的“船长”：

全知全能的船长： 这位船长拥有一颗神奇的水晶球，能预知确切的未来（完美预测）。这是金标准，即“完美”的分数。
确定性的船长： 这位船长使用标准的“单一猜测”（点预测），完全不知道不确定性的存在。
随机性的船长： 这位船长使用三场景法，并配备了安全网（符合性预测）。
追溯性的船长（Recourse Captain）： 这是随机性船长的变体，它可以在稍晚的时候稍微改变主意。

结果：谁赢了？

模拟揭示了以下内容（数值完全按照原文呈现）：

与完美的差距： 即便是最优秀的类人策略，也无法匹配那颗神奇的水晶球。与全知全能的船长相比，随机性和追溯性船长的成本高出了 13%。这意味着，即便使用了精妙的数学，由于无法完美预知未来，仍然会产生成本。
真正的赢家： 当与确定性船长（那个只用单一猜测的船长）相比时，随机性和追溯性船长表现得更好，提升了 1%。虽然这听起来微不足道，但在能源管理领域，节省 1% 就是一场胜利。
权衡： 这些高级船长确实需要更多时间来思考。随机性版本每次决策步骤平均耗时 0.743 分钟，而确定性版本仅需 0.321 分钟。然而，论文指出 0.743 分钟 远低于两次决策之间 0.25 小时（15 分钟）的间隔，因此系统永远不会因为等待计算而卡顿。

他们排除了什么

论文明确反对依赖于忽略不确定性的简单猜测。他们证明了标准的“点预测”（确定性方法）虽然可行，但会错失获利机会。他们还指出，他们的方法并不依赖于假设数据遵循特定的“分布”（如钟形曲线），这是旧方法的常见局限。

结论

这项研究表明，使用符合性预测来创建多种场景是一个明智之举。它不会让你变成预知未来的神，但它确实能帮你避免犯下最严重的错误。在这 280 天的模拟中，**随机性模型预测控制（Stochastic MPC）和追溯性模型预测控制（Recourse MPC）**是整体表现最好的，它们击败了简单的猜测者，并且比任何其他测试方法都更接近那颗完美的水晶球。

作者还指出，他们对电价的预测在年底（特别是秋季）变得有些波动，其**归一化平均绝对误差（nMAE）**从冬季的 0.039 跳升到了 0.228。这表明，虽然该方法很强大，但市场本身可能是一个难以预测的怪兽。

简而言之，如果你想经营一个充电枢纽，不要仅仅去猜测未来。请观察几种可能的未来，为它们套上一个安全网，这样你每天都能省下一笔小钱。

技术摘要：结合符合性预测（Conformal Prediction）的充电能量枢纽随机模型预测控制（Stochastic Model Predictive Control）

问题陈述
交通部门的快速电气化要求基础设施具备管理大规模电动汽车（EV）车队的能力。集成可再生能源发电（光伏）、电池储能系统（BESS）和电网连接的能量枢纽，对于满足这一需求至关重要。然而，由于电动汽车充电负荷、太阳能发电以及日前电价中固有的不确定性，高效运行这些能量枢纽具有挑战性。现有的能量管理系统（EMS）通常依赖于基于规则的方法、启发式算法或确定性优化，这些方法忽略了不确定性或假设了特定的数据分布，从而限制了其鲁棒性和最优性。

方法论
作者提出了一种基于场景的随机模型预测控制（MPC）框架的在线能量管理系统。其核心方法论集成了三个主要部分：

系统建模： 将能量枢纽建模为一个平衡电网功率 ( $P_g$ )、BESS 功率 ( $P_b$ )、太阳能发电 ( $P_{pv}$ ) 和电动汽车需求 ( $P_{ev}$ ) 的功率流系统。BESS 动力学包括将二次损失模型松弛为二阶锥约束。控制目标是在 24 小时范围内最小化运营成本（买电/卖电），同时满足功率平衡和电池容量约束。
通过符合性预测进行概率预测： 为了在不依赖分布假设的情况下应对不确定性，作者采用了一个机器学习流水线。
- 基础模型： 使用梯度提升树对 24 小时前后的电动汽车负荷、太阳能发电和电价生成点预测。
- 不确定性量化： 应用符合性预测（CP）算法，特别是 EnbPI（预测区间集成），对基础模型进行处理。这为预测生成了经过校准的、无分布假设的置信区间（预测区间）。
- 场景生成： 通过从预测区间中选择特定百分位数（例如第 5、第 95 和平均值）来构建场景。这些场景被组合成一个随机树，以表示这些变量的联合不确定性，并假设它们之间相互独立。
控制策略： 本文评估了两种随机 MPC 变体与两个确定性基准：
- 随机 MPC（Stochastic MPC）： 同时优化所有生成的场景下的期望成本，并强制执行非预期性约束（non-anticipativity constraint），即在当前时间步内，不同场景下的控制动作必须相同。
- 追溯 MPC（Recourse MPC）： 一种放宽了未来步骤非预期性约束的变体，允许根据场景的实现情况进行调整。
- 确定性基准： 一个使用完美（全知）预测，另一个使用不带不确定性量化的点估计。

核心贡献

将 CP 与 MPC 集成： 本文引入了一个针对电动汽车负荷、光伏发电和电价的概率预测模块，该模块利用了最先进的机器学习模型结合符合性预测。这提供了经过校准的、无分布假设的不确定性区间，这是标准 EMS 实现中经常缺失的功能。
基于场景的优化： 作者设计了一种基于场景的随机 MPC 方案，利用这些概率预测来优化电池（充/放）电策略。
全面评估： 系统在一个闭环模拟环境中进行了 280 天的评估，将所提出的随机方法与确定性替代方案以及全知基准进行了对比。

结果
评估使用了来自加利福尼亚（电动汽车负荷和光伏）和荷兰（电价和二氧化碳排放）的历史数据，涵盖四个季节。

预测性能： 梯度提升模型在电动汽车负荷和光伏发电方面实现了较低的归一化平均绝对误差（nMAE）。然而，由于天然气价格驱动的市场机制变化，电价预测显示出较高的误差和较低的预测区间覆盖率（出现在 2021 年秋季）。
运营成本： 与全知（完美预测）实现相比，所提出的随机 MPC 导致的运营成本高出约 13%。
与确定性控制的比较： 随机 MPC 通过降低运营成本，表现优于使用点预测的确定性 MPC，降幅为 1%。
二氧化碳排放： 随机方法也带来了电网二氧化碳排放量的轻微下降（较确定性版本改善了 0.3%）。
计算效率： 随机 MPC 的计算时间约为每轮 0.74 分钟，远低于系统的 15 分钟时间分辨率 ( $\Delta T$ )，证实了其在实时应用中的可行性。

意义与主张
作者声称，在特定的案例研究中，他们提出的随机 MPC 和追溯 MPC 是整体表现最佳的控制器，在所有季节中都比确定性对应方案提供了微弱但一致的性能提升。这项工作证明，将通过符合性预测实现的校准、无分布假设的不确定性量化整合到 MPC 框架中，可以在不产生过高计算成本的情况下实现成本最优的运行。

作者谦虚地总结道，虽然点估计预测能提供“可接受的性能”，但随机方法在成本和排放方面提供了可衡量的收益。文章强调，随机方法的计算开销相对于系统的时序分辨率仍然可以忽略不计。作者指出，未来的工作将侧重于为单辆汽车共同优化充电功率水平和调度计划，而非目前使用的聚合方法。

水晶球问题

实验：280 天的模拟

结果：谁赢了？

他们排除了什么

结论

类似论文