[論文レビュー] Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting

Joaquim Dias Garcia, Alexandre Street+2 more|arXiv (Cornell University)|Feb 26, 2021

Energy Load and Power Forecasting被引用数 8

ひとこと要約

本稿では、予測と意思決定の二重最適化を閉ループフレームワークとして統合し、電力系統における動的予備備蓄および負荷予測の精度を向上させるために、アプリケーション駆動学習を導入する。予測と運用コストの最小化を統合することで、標準的なオープンループ手法に比べて、長期的な運用コストを低減し、数千バスを含む大規模システムへのスケーラビリティを達成する。

ABSTRACT

Forecasting and decision-making are generally modeled as two sequential steps with no feedback, following an open-loop approach. In this paper, we present application-driven learning, a new closed-loop framework in which the processes of forecasting and decision-making are merged and co-optimized through a bilevel optimization problem. We present our methodology in a general format and prove that the solution converges to the best estimator in terms of the expected cost of the selected application. Then, we propose two solution methods: an exact method based on the KKT conditions of the second-level problem and a scalable heuristic approach suitable for decomposition methods. The proposed methodology is applied to the relevant problem of defining dynamic reserve requirements and conditional load forecasts, offering an alternative approach to current ad hoc procedures implemented in industry practices. We benchmark our methodology with the standard sequential least-squares forecast and dispatch planning process. We apply the proposed methodology to an illustrative system and to a wide range of instances, from dozens of buses to large-scale realistic systems with thousands of buses. Our results show that the proposed methodology is scalable and yields consistently better performance than the standard open-loop approach.

研究の動機と目的

• 予測と意思決定がフィードバックなしに別々に処理されるオープンループの予測と意思決定における制限を是正すること。
• 長期的なシステムコストを最小化するために、予測と運用意思決定を共同で最適化する閉ループフレームワークを構築すること。
• 現在の業界の直感的で一時的な慣習とは対照的に、理論的裏付けがあり、スケーラブルかつ透明性のある、動的予備備蓄要件と負荷予測を設定する代替手法を提供すること。
• 大規模な電力系統、特に数千バスを含む実際のシステムにおいて、本手法の有効性を実証すること。

提案手法

• 上位問題は予測された不確実性に基づいて期待される運用コストを最小化し、下位問題はその予測に基づいて意思決定問題（例：経済運転）を解く二段階最適化問題を定式化する。
• 下位問題のKKT条件を用いた正確な解法が導出され、アプリケーション固有のコストの観点から最適推定器への収束が可能になる。
• 最小二乗推定で初期化し、反復的に性能を向上させるスケーラブルなヒューリスティック手法が提案され、大規模問題における分解とウォームスタート技術の利用が可能になる。
• 予め定義された外生的予測モデルに依存せず、ネットワーク全体にわたる最適な予備備蓄サイズと配置が内生的に決定可能である。
• 一般の不確実性タイプを扱えるほか、非線形および整数計画問題への応用も可能であり、特にヒューリスティック手法によって拡張可能である。
• クラウドコンピューティングを用いて実装されており、最大13,659バスのシステムにおいて、30分未満で学習が完了する。

実験結果

リサーチクエスチョン

• RQ1 予測誤差が存在する状況下で、長期的なシステム運用コストを最小化する最適な負荷予測バイアスは何か？
• RQ2 動的予備備蓄要件と負荷予測バイアスは、電力系統運用における運用コストを最小化するためにどのように共進化するか？
• RQ3 予測と意思決定を共同で最適化する閉ループフレームワークは、標準的なオープンループ最小二乗予測とルールベースの予備備蓄設定に比べて優れているか？
• RQ4 本手法は、数千バスを含む大規模で現実的な電力系統にどの程度スケーラブルか？
• RQ5 ヒューリスティック手法は、大規模インスタンスにおいて正確な手法と比較して、解の品質と計算時間の両面でどの程度の性能を示すか？

主な発見

• 限られた計算リソースでも、本フレームワークは標準的なオープンループ予測と運用の手法に比べ、長期運用コストを一貫して低減する。
• 最適な予測バイアスが存在し、それは最適な予備備蓄サイズと密接に結びついており、両者の相互依存性を示している。
• 本手法は大規模電力系統、特にIEEE 300バス系および最大13,659バスを含むシステムにもスケーリング可能であり、クラウドコンピューティングを用いて30分未満で解を得ている。
• ウォームスタートと分解を活用することで、ヒューリスティック手法は合理的な時間内で高品質な解を提供し、すべてのテストシステムで性能向上が確認された。
• 本フレームワークは、システム運用者の目的とネットワーク特性に最も適合するゾーナル予備備蓄要件の内生的決定を可能にする。
• 実証結果から、負荷予測と予備備蓄要件を同時に最適化することで、外生的予測を入力としても一貫したコスト削減が達成されることが示された。