[論文レビュー] COMANDO: A Next-Generation Open-Source Framework for Energy Systems Optimization

Marco Langiu, David Yang Shu+8 more|arXiv (Cornell University)|Feb 3, 2021

Integrated Energy Systems Optimization参考文献 89被引用数 63

ひとこと要約

COMANDO は、統合エネルギー系の非線形的・動的・確率的最適化を目的とした、オープンソースでコンポーネント指向の Python フレームワークである。ハイブリッドな機械的／データ駆動型コンポーネントの柔軟なモデリングを可能にし、確率的プログラミングやサーモンモデルなどの高度な定式化をサポートし、グローバル最適化のための拡張可能なツールを提供する。ニューラルネットワークを用いた動的・確率的最適化を含む、4つの多様な事例研究を通じてその多様性を実証した。

ABSTRACT

Existing open-source modeling frameworks dedicated to energy systems optimization typically utilize (mixed-integer) linear programming ((MI)LP) formulations, which lack modeling freedom for technical system design and operation. We present COMANDO, an open-source Python package for component-oriented modeling and optimization for nonlinear design and operation of integrated energy systems. COMANDO allows to assemble system models from component models including nonlinear, dynamic and discrete characteristics. Based on a single system model, different deterministic and stochastic problem formulations can be obtained by varying objective function and underlying data, and by applying automatic or manual reformulations. The flexible open-source implementation allows for the integration of customized routines required to solve challenging problems, e.g., initialization, problem decomposition, or sequential solution strategies. We demonstrate features of COMANDO via case studies, including automated linearization, dynamic optimization, stochastic programming, and the use of nonlinear artificial neural networks as surrogate models in a reduced-space formulation for deterministic global optimization.

研究の動機と目的

• 従来の (M)ILP定式化をはるかに超える、非線形的・動的・不確実性を伴うエネルギー系設計・運用のためのオープンソースツールの不足に対処すること。
• 技術的システム設計におけるモデリングの自由度を高めるために、ハイブリッドな機械的／データ駆動型モデルを組み合わせたコンポーネント指向モデリングを可能にすること。
• 不確実性下での設計と運用の同時最適化を可能にする二段階確率的プログラミングをサポートすること。
• 初期化、分解、逐次解法戦略を含む、カスタムアルゴリズムの統合を容易にすること。
• グローバル最適化やサーモンモデルを含む高度な最適化技術のための、柔軟で拡張可能なフレームワークを提供すること。

提案手法

• 数学的式の記号的操作と自動再定式化（例：線形化）のためのコア計算エンジンとして SymPy を使用する。
• 微分代数方程式（DAE）を用いて非線形的・動的・離散的特性を持つコンポーネントをモデリングし、システムダイナミクスの正確な表現を可能にする。
• 目的関数と入力データを変更することで、決定的・確率的・低次元空間最適化の複数の問題定式化をサポートする。
• 低次元空間定式化において、人工ニューラルネットワークをサーモンモデルとして統合し、決定的グローバル最適化を実現する。
• モジュラーで再利用可能なコンポーネントモデルを提供し、複雑なシステムアーキテクチャを構築できるようにする。
• 自動および手動の最適化問題再定式化をサポートし、幅広いソルバとの互換性を高める。

実験結果

リサーチクエスチョン

• RQ1 既存の (M)ILP に基づく ESMF よりも、コンポーネント指向のオープンソースフレームワークが、統合エネルギー系の非線形的・動的最適化をより効果的にサポートできるか。
• RQ2 ハイブリッドな機械的／データ駆動型モデルを、エネルギー系の最適化フレームワークにシームレスに統合する方法は何か。
• RQ3 柔軟で拡張可能なオープンソースフレームワークにおいて、不確実性下での確率的プログラミング定式化をどの程度効率的に実装できるか。
• RQ4 ニューラルネットワークに基づくサーモンモデルが、複雑なエネルギー系における決定的グローバル最適化の効率を向上させられるか。
• RQ5 このフレームワークは、問題分解や逐次解法戦略などの高度なアルゴリズム開発をどの程度可能にするか。

主な発見

• COMANDO は、従来の (M)ILP に基づくフレームワークの制限を克服し、非線形的・動的・離散的特性を有するエネルギー系の最適化を成功裏に実現した。
• フレームワークは非線形モデルの自動線形化をサポートし、複雑な再定式化タスクを効率的に行える能力を示した。
• DAE を用いたモデリングにより、熱交換器ネットワークの動的最適化が達成され、一時的挙動の正確な表現が可能になった。
• 不確実な需要および価格シナリオ下でのシステム設計最適化に確率的プログラミング定式化を適用し、耐障害性が向上した。
• 非線形の人工ニューラルネットワークを低次元空間定式化に用いた事例研究により、顕著な計算コスト削減を伴う決定的グローバル最適化が実現された。
• モジュラーかつ拡張可能なアーキテクチャのおかげで、カスタム解法戦略、初期化ルーチン、ソルバインターフェースの統合が可能となり、複雑な問題への適応性が向上した。