[論文レビュー] Collaboratively Optimizing Power Scheduling and Mitigating Congestion using Local Pricing in a Receding Horizon Market

C.J. van Leeuwen, Joost Stam+2 more|arXiv (Cornell University)|Sep 4, 2020

Smart Grid Energy Management参考文献 21被引用数 4

ひとこと要約

本稿では、再び後退する時間窓フレームワークにおける局所的価格設定を用いた分散型で階層的な市場ベースの手法を提案し、スマートグリッドにおける共同の電力スケジューリング最適化と混雑緩和を実現する。中央市場オペレータとエンドユーザーのエージェント間で最小限の情報交換を行うことで、近似的に最適な解（20%のケースでグローバル最適解と同一）を達成し、スケーラビリティと消費者のプライバシーが向上する一方で、80%のシナリオで集中型ソルバと同等の性能を維持する。

ABSTRACT

A distributed, hierarchical, market based approach is introduced to solve the economic dispatch problem. The approach requires only a minimal amount of information to be shared between a central market operator and the end-users. Price signals from the market operator are sent down to end-user device agents, which in turn respond with power schedules. Intermediate congestion agents make sure that local power constraints are satisfied and any potential congestion is avoided by adding local pricing differences. Our results show that in 20% of the evaluated scenarios the solutions are identical to the global optimum when perfect knowledge is available. In the other 80% the results are not significantly worse, while providing a higher level of scalability and increasing the consumer's privacy.

研究の動機と目的

• 分散型でリアルタイムの電力スケジューリングの課題を、大規模な分散型エネルギー資源と柔軟な負荷を有するスマートグリッドにおいて解決すること。
• エンドユーザーとグリッドオペレータ間の自己組織的でプライバシーを守る協調を可能にすることで、集中型制御への依存を低減すること。
• 電力損失を最小限に抑えるために、グリッドの混雑制約を維持しつつ、局所的価格信号を用いること。
• 特に予測の不確実性下でも、集中型最適化に比べてスケーラビリティとロバストネスを向上させること。
• 市場オペレータとエンドユーザーのエージェント間の情報交換を最小限に抑えることで、実用的導入を可能にすること。

提案手法

• 階層的市場構造を用い、中央市場オペレータが価格信号をエンドユーザーのエージェントに下位に送信し、エージェントが電力スケジュールを応答する。
• 中間の混雑管理エージェントが局所的なグリッド制約を強制し、過負荷を防ぐために局所的価格調整を適用する。
• 再び後退する時間窓フレームワークは、予測データと更新された価格信号に基づいて反復的に電力スケジュールを最適化する。
• 勾配降下ベースの価格更新メカニズムにより、市場オペレータがシステム全体の電力損失を最小化するように価格を調整できる。
• アルゴリズムは、太陽光発電（PV）、蓄電池、ヒートポンプなどの異なるエージェントタイプを、それぞれのコスト関数と運用制約をモデル化して扱う。
• 将来的な混雑が予測される場合でさえ、予測が不確実であっても、局所的価格の差を導入することで、衝突を解消する。

実験結果

リサーチクエスチョン

• RQ1 最小限の情報交換で、分散型市場ベースの手法が近似的に最適な経済的ディスpatch性能を達成できるか。
• RQ2 階層的再び後退する時間窓フレームワークにおける局所的価格設定は、消費者のプライバシーを保ちながら混雑をどのように緩和するか。
• RQ3 予測の不確実性下でも、提案手法が集中型ソルバの性能をどの程度再現できるか。
• RQ4 予測が将来的な混雑を過大評価または過小評価した場合、システムはどのように動作するか。
• RQ5 分散型電力スケジューリングにおいて、最適性、スケーラビリティ、プライバシーの間にはどのようなトレードオフがあるか。

主な発見

• 完全な予測知識がある場合、評価されたシナリオの20%でLP-RHアルゴリズムがグローバル最適解に正確に一致した。
• 残りの80%のシナリオでも、解は集中型ソルバと顕著に差がないことが示され、高い性能の一貫性を示した。
• 予測の不確実性への柔軟な対応により、27件のケースでRHCSソルバを上回った。特に、誤った混雑予測への過剰反応を回避できた。
• 105件のランダムな問題インスタンスを正常に処理し、そのうち79%の妥当なケースで、集中型PICSソルバと同等の解が得られた。
• 妥当でないケースでも、LP-RHは一時的な混雑違反を許容することで電力損失を最小限に抑え、動的価格調整により後に解消した。
• 本手法は、予測誤差に対してもロバストであり、完全な協調やリアルタイムバランス統合を必要とせず、システムの安定性を維持した。