中文

基于数据不确定性、电池设计与规划时域的电池调度高性能区域映射

机器学习 2026-05-07 v2 系统与控制 系统与控制

摘要

本研究提出了一种受控的参数化框架,用于在多阶段模型预测控制环境下分析能源存储规划中的不确定性问题。该框架通过参数化生成合成数据集,实现了对能源价格套利的系统性探索,能够广泛且系统地研究电池特性、信号结构、预测不确定性与规划时域对储能优化收益的联合影响,这些因素往往未被一起考虑。该分析基于两个目标:首先,刻画了这些相互作用因素如何影响运营收益及其对规划时域选择的敏感性,包括因时域偏离最优而导致的经济损失。这为时域范围的选择以及其对收益和计算成本的影响提供了指导。其次,实现了电池属性、数据特征、预测不确定性与时域相关绩效之间关系的紧凑参数化,为未来建模最优规划时域长度提供了依据。结果表明,该框架在不同配置下捕捉到了一致的结构性依赖关系,为不确定性下的时域选择提供了有意义的指导。特别是,随着预测不确定性的增加,最优规划时域在各种电池类型下均系统性地减小,这反映了在预测越来越不可靠的情况下,长期信息的价值递减。与实际市场数据比较显示,参数化方法再现了最优时域行为的主要定性趋势,表明其作为更复杂仿真分析的轻量级替代品具有潜在价值。

关键词

引用

@article{arxiv.2604.15360,
  title  = {Mapping High-Performance Regions in Battery Scheduling across Data Uncertainty, Battery Design, and Planning Horizons},
  author = {Jaime de Miguel Rodriguez and Artjom Vargunin and Brigitta Robin Raudne and David Solis Martin and Yaroslava Mykhailenko and Kaarel Oja},
  journal= {arXiv preprint arXiv:2604.15360},
  year   = {2026}
}

备注

Research supported by Enefit