[論文レビュー] Data-Driven Demand-Side Flexibility Quantification: Prediction and Approximation of Flexibility Envelopes

Nami Hekmat, Hanmin Cai+3 more|arXiv (Cornell University)|Oct 25, 2021

Smart Grid Energy Management参考文献 7被引用数 4

ひとこと要約

本稿では、最適化に代えて機械学習予測と柔軟性エンベロープの確率的近似を用いることで、リアルタイムでの需要家側の柔軟性評価における計算負荷と通信負荷を低減するデータ駆動型パイプラインを提案する。予測にAdaBoostを、近似に2次元の非対称正規分布を用いることで、計算負荷を9倍、通信負荷を6.6倍低減し、高い精度（R² > 0.94）を達成する。

ABSTRACT

Real-time quantification of residential building energy flexibility is needed to enable a cost-efficient operation of active distribution grids. A promising means is to use the so-called flexibility envelope concept to represent the time-dependent and inter-temporally coupled flexibility potential. However, existing optimization-based quantification entails high computational burdens limiting flexibility utilization in real-time applications, and a more computationally efficient quantification approach is desired. Additionally, the communication of a flexibility envelope to system operators in its original form is data-intensive. In order to address the computational burdens, this paper first trains several machine learning models based on historical quantification results for online use. Subsequently, probability distribution functions are proposed to approximate the flexibility envelopes with significantly fewer parameters, which can be communicated to system operators instead of the original flexibility envelope. The results show that the most promising prediction and approximation approaches allow for a minimum reduction of the computational burden by a factor of 9 and of the communication load by a factor of 6.6, respectively.

研究の動機と目的

• 最適化に基づく手法を用いたリアルタイムでの柔軟性エンベロープ評価における高い計算負荷に対処する。
• 配電系統運用者への柔軟性エンベロープのデータ集約的通信負荷を低減する。
• アクティブ配電網における住宅用建物の柔軟性のスケーラブルでリアルタイムな調整を可能にする。
• オンラインでの柔軟性評価とレポート作成に適した実用的で低レイテンシのパイプラインを構築する。
• 繰り返し最適化を置き換えることで、トレーニング済みの機械学習モデルとコンactな確率的表現を用いてスケーラビリティを向上させる。

提案手法

• 歴史的柔軟性エンベロープデータを用いて、将来のエンベロープをオンラインで予測するための機械学習モデル（AdaBoost、SVM、KNN、SVR、GMM）を訓練する。
• 正規分布、非対称正規分布、混合ガウス分布の2次元および3次元バージョンを含む確率密度関数（PDF）を用い、最小限のパラメータで柔軟性エンベロープを近似する。
• 2段階のパイプラインを適用する：まずMLモデルでエンベロープを予測し、次に最適なフィットを示すPDFでそれを近似することで、データ送信量を最小限に抑える。
• 予測と近似の精度を評価するため、平均絶対誤差（MAE）とR²スコアなどの指標を用いてモデル選定を最適化する。
• 最良の予測モデルと近似モデルを統合し、エンドツーエンドの効率性を実現するハイブリッドパイプラインを構築する。
• 性能比較のためのベースラインとして、直接最適化によるモデルを用いる。

実験結果

リサーチクエスチョン

• RQ1 繰り返し最適化に比べて、計算コストを著しく低減しつつ、機械学習モデルが将来の柔軟性エンベロープを正確に予測できるか？
• RQ2 少数のハイパーパrameterで、確率密度関数が最小限のパrameterで完全な柔軟性エンベロープを効果的に近似できるか？
• RQ3 生のエンベロープデータをパラメトリックなPDFに置き換える際の、予測精度と通信効率のトレードオフは何か？
• RQ4 異なるMLモデルとPDFバージョンは、予測および近似性能においてどのように比較されるか？
• RQ5 最良の予測モデルと近似モデルを統合したハイブリッドパイプラインは、低計算負荷と高忠実度の両方を達成できるか？

主な発見

• AdaBoostに基づく予測モデルは、元の最適化ベース手法と比較して計算負荷を9倍低減した。
• 2次元非対称正規分布（SND）近似は、全エンベロープを送信する場合と比較して通信負荷を6.6倍低減した。
• 最良の予測モデル（AdaBoost）は、MAEが21分、R²スコアが0.95を達成し、ベースライン（MAE：93分、R²：0.79）を著しく上回った。
• 最良の近似モデル（2D-SND）は、R²スコアが0.99、MAEが25分を達成し、最小限のパrameterで高い忠実度を示した。
• 統合パイプライン（AdaBoost予測 + 2D-SND近似）は、MAEが35分、R²スコアが0.94を達成し、誤差が加法的に蓄積されないことを示した。
• パワーレベルごとにAdaBoost、SVM、KNNを切り替えるハイブリッドモデルは、わずかに高い予測精度を達成し、MAEが31分、R²が0.95を達成した。