《Journal of Energy Chemistry》：Decision-focused learning for optimal PV-battery scheduling
编辑推荐：
决策导向学习框架通过整合光伏预测与电池优化调度，在20栋建筑中降低平均电费3.6%，尽管模型均方根误差高达19.9%，暖启动策略可将成本降低8%并改善误差。
Joris Depoortere|Hussain Kazmi|Johan Driesen
ESAT-Electa KU Leuven，Kasteelpark Arenberg 10，Leuven，3001，比利时
摘要
近年来，住宅光伏系统的使用量显著增加。随着电池系统成本下降，光伏-电池系统的最佳运行方式可以为家庭带来显著的成本节省。要实现这些系统的最佳控制，需要准确预测相关参数，例如光伏发电量，以便合理安排电池的使用时间。尽管由于算法进步和数据可用性的提高，预测模型的准确性有所提升，但通常使用的是通用指标来衡量准确性，而这些指标可能与实际应用需求不完全吻合。本研究提出了一种以决策为导向的学习框架，通过训练长短期记忆（Long Short-Term Memory）光伏能量预测模型来整合优化和预测功能，以支持电池系统的最佳调度。将所提出的方法与传统的两阶段方法进行比较，在14个月的评估期内，该决策导向方法使20栋建筑物的平均电费降低了3.6%（以完美预测和未进行优化的基准情况为参考）。值得注意的是，尽管模型的均方根误差为19.9%，显著高于分离模型的8.2%，但仍实现了这一财务改进。进一步优化该决策导向模型后，平均电费又降低了约8%，同时减轻了对统计准确性的负面影响（均方根误差降至13.7%）。根据Diebold和Mariano的测试结果，在20户家庭中以及每户家庭层面，这些发现都具有0.001的统计显著性。这些结果表明，将预测模型与优化目标对齐对于实现光伏-电池系统的成本优势至关重要。未来的研究应致力于在其他数据集、不同的预测模型和优化算法上验证这些发现。
引言
过去十年中，可再生能源（RES）在建筑环境中的整合程度显著增加。欧盟通过《可再生能源指令》[1]设定了到2030年可再生能源占能源消费总量的42.5%的目标，从而推动了这一趋势。在建筑环境中，住宅家庭约占能源总消费量的26%[1]。因此，正确且可持续地将分布式可再生能源整合到住宅家庭中对于欧盟实现其目标至关重要。屋顶光伏（PV）是住宅家庭最容易安装的可再生能源之一。Bódis等人[2]估计，欧盟屋顶光伏的潜在装机容量约为每年680太瓦时（TWh），约占总能源消费量的24%（2019年数据）。
然而，光伏系统具有间歇性，且其发电量与家庭能源消耗呈负相关——因为家庭的主要能源消耗发生在早晨和晚上。这两个因素给光伏系统有效整合到电网中带来了挑战。电池储能系统（BESS）可以通过在需要时储存电能来缓解这些问题。但对于住宅用户而言，BESS仍是一项昂贵的投资，因此需要对其进行最佳运行，即在电价较高时放电，在电价较低时充电。
动态价格合同有助于BESS的成本效益运行。这些动态价格合同反映了一天的批发电价，并提前一天告知客户。这样一来，一天中每个小时的价格都不同，从而更好地匹配了电力供应和需求。从2027年起，比利时要求能源供应商必须为客户提供此类动态价格合同的选择[2]。利用这些动态合同最佳运行光伏-电池系统对于使电池投资具有价值至关重要。这是一项复杂的任务，因为需要多个上下文参数来合理安排电池的使用时间。虽然电价可以提前一天得知，但家庭用电量和光伏发电量存在不确定性，因此需要准确的预测来生成正确的调度计划。在本研究中，我们提出结合预测光伏发电量和基于优化电池使用所带来的成本节省来进行预测。
在下一章中，我们将详细讨论这些领域的最新研究进展。首先介绍住宅光伏预测的最新文献，然后探讨光伏-电池优化的相关研究。最后，我们探讨预测与优化的交叉领域——即决策导向学习（decision-focused learning），该领域的发展现状及其在电力领域的应用情况。本文的其余部分将介绍实验所使用的数据、研究方法（即最优调度问题）、我们如何应用决策导向学习以及它与传统两步法的不同之处、主要研究结果（包括模型的均方根误差RMSE）以及下游损失情况。最后，我们将通过讨论和结论总结研究成果，并提出未来的研究方向。
参考文献综述
关于最优BESS调度的研究可以分为两个阶段：首先，获取解决该问题所需的所有上下文参数，其中包含多个需要预测的随机参数，例如光伏输出和家庭能源需求；其次，执行优化问题以获得最佳的电池充放电计划，这需要明确优化目标并正确处理所有相关因素。
数据
在本节中，我们讨论了实验中使用的数据。首先，我们介绍了拥有2018年至2021年三年智能电表数据的建筑物的用电和光伏发电数据。由于这些房屋没有安装电池系统，因此我们为它们模拟了一个电池系统。我们还创建了一个价格模型，以模拟动态价格合同的情况。
方法
在本节中，我们介绍了本研究采用的方法论。首先，我们概述了整个工作流程。接着，我们详细讨论了作为我们研究核心的凸优化问题，这也是我们进行预测的出发点。由于优化问题也是预测模型训练过程的一部分，因此我们首先讨论这一点。随后，我们详细介绍了用于预测光伏发电量的模型。
结果
在本节中，我们分析了四种不同模型在大约一年半的测试期内对20户荷兰家庭的影响。首先，我们回顾了基础实验设置的结果。然后，我们分析了负载预测精度下降对结果的影响。最后，我们总结了研究结果。
讨论
我们的研究结果表明，将预测和优化相结合的方法能够使预测模型与下游任务更加匹配，从而在光伏-电池（PV-B）系统的具体应用场景中，其性能优于传统训练的预测模型，成本节省效果约为8%。这证实了我们的主要观点：针对特定任务进行训练的预测模型在成本方面优于通用预测模型，尽管这样做可能会牺牲一定的通用性。
接下来，我们展示了……
局限性与未来研究方向
我们发现DFL方法的均方根误差（S-RMSE）约为20%，这可能引发对潜在运营风险的担忧。在方法论部分，我们将电池剩余容量（SoC）的限制从20%和80%放宽到10%和90%。在这种情况下，任何测试集中的约束都未被违反。因此，在局部层面，这些方法的偏差并未超出任何物理限制。然而，在更广泛的电网层面，如果这些方法优先考虑成本而非准确性，可能会导致……
结论
我们的研究可以为从业者在光伏-电池系统中安排电池使用提供更明智的决策依据。在本研究中，我们专注于住宅光伏的预测，并将其应用于光伏-电池系统以降低成本。我们的目标是采用一种综合方法，在训练预测模型时考虑光伏-电池系统的下游调度任务。
在20栋住宅建筑中，这种综合方法带来了持续的成本节约效果。
CRediT作者贡献声明
Joris Depoortere：撰写——原始稿件、可视化、验证、软件开发、方法论设计、调查、数据分析、概念化。Hussain Kazmi：撰写——审稿与编辑、监督、资源协调、项目管理工作。Johan Driesen：撰写——审稿与编辑、监督、项目管理工作。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
Hussain Kazmi感谢佛兰德斯研究基金会（FWO，比利时）（研究奖学金编号：1262921N）的支持。
