[論文レビュー] Application-Driven Learning via Joint Prediction and Optimization of Demand and Reserves Requirement

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

Energy Load and Power Forecasting参考文献 41被引用数 8

ひとこと要約

本稿では、二段階最適化を用いて負荷予測と备用要件予測を同時に最適化するクローズド・ループ学習フレームワークを提案する。従来の手法の逐次的誤差伝播を回避し、多様な規模の電力系統で運用コストを低減し、システム性能を向上させる。理論的収束性が保証され、スケーラブルな解法手法を有する。

ABSTRACT

Forecasting and decision-making are generally modeled as two sequential steps with no feedback, following an open-loop approach. In power systems, operators first forecast loads trying to minimize errors with respect to historical data. They also size reserve requirements based on error estimates. Next, energy and reserves are scheduled and the system is operated following the dispatch schedule, deploying reserves as needed to accommodate forecast errors. However, co-optimizing these processes may lead to better decisions and result in lower operating costs than when they are considered sequentially. In this paper, we present a new closed-loop learning framework in which the processes of forecasting and decision-making are merged and co-optimized through a bilevel optimization problem. We prove asymptotic convergence of the method and propose two solution approaches: an exact method based on the KKT conditions of the second level problem, and a scalable heuristic approach suitable for decomposition methods. 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 systems ranging from dozens to thousands of buses. Our results show that the proposed approach yields consistently better performance than the standard open-loop approach.

研究の動機と目的

• 負荷予測と備蓄容量の決定を独立したステップとして扱い、フィードバックが存在しない従来の逐次的予測と意思決定の限界を是正する。
• 予測誤差が備蓄容量の決定やディスpatch計画に反映されないオープン・ループアプローチの非最適な結果を克服する。
• 予測と備蓄要件予測を統合した一元的な学習フレームワークを構築し、単一のクローズド・ループ最適化プロセスとして実装する。
• 小規模から大規模なネットワークまで実用的導入に耐える理論的収束性と計算スケーラビリティを保証する。
• 多様なシステム構成において、標準的な逐次的最小二乗予測とディスpatch計画と比較して優れた性能を示す。

提案手法

• 上位問題が予測および備蓄パラメータを最適化し、下位問題が運用ディスパッチと備蓄展開を解く二段階最適化として問題を定式化する。
• 下位問題の最適性条件を上位問題に埋め込むことで、KKT条件を用いて正確な解法を導出する。
• 数千バスを有する大規模システムに適した分解可能でスケーラブルなヒューリスティック手法を提案する。
• 予測誤差を最小化するのではなく、システム全体の運用コストを最小化するため、負荷と備蓄要件の連携予測を統合する。
• 提案された連携最適化構造下で、学習フレームワークの漸近的収束性を保証する。
• 検証のため、インスパイラティブなシステムおよび大規模電力系統にフレームワークを適用し、性能とスケーラビリティを検証する。

実験結果

リサーチクエスチョン

• RQ1 負荷予測と備蓄要件予測を同時に最適化することで、逐次的予測とディスパッチに比べて運用コストを低減できるか？
• RQ2 提案されたクローズド・ループ学習フレームワークは、従来のオープン・ループアプローチに比べ、システム性能とコスト効率においてどのように向上するか？
• RQ3 連携予測と最適化フレームワークに対して、収束性などの理論的保証は得られるか？
• RQ4 数十から数千バスを有する電力系統に応用した場合、提案手法のスケーラビリティはどの程度か？
• RQ5 正確なKKTに基づく手法とヒューリスティックな分解手法の間で、精度と計算実行可能性の観点から相対的な利点は何か？

主な発見

• 提案されたクローズド・ループフレームワークは、運用コスト削減の観点で、標準的な逐次的最小二乗予測とディスパッチプロセスを一貫して上回る。
• 本手法は漸近的収束性を達成しており、提示された二段階構造下で信頼性の高い最適化結果を保証する。
• KKT条件に基づく正確な解法は、連携最適化フレームワークの理論的基盤を強固に支える。
• ヒューリスティック手法によりスケーラブルな展開が可能であり、数千バスを有する大規模システムにおける分解に適している。
• 小規模なインスパイラティブなシステムから大規模で複雑なネットワークに至るまで、広範なシステム規模で性能向上が観察された。
• 予測と意思決定の連携最適化により、より頑健な備蓄容量の決定が可能となり、運用中の是正措置への依存度が低下した。