[論文レビュー] Intelligent Subset Selection of Power Generators for Economic Dispatch

Biswarup Bhattacharya, Abhishek Sinha|arXiv (Cornell University)|Sep 8, 2017

Energy Load and Power Forecasting参考文献 10被引用数 3

ひとこと要約

本論文は、経済的ディスpatchにおける太陽光発電機器のイン telligントなサブセット選択のためのディープラーニングベースのアプローチを提案している。20バス電圧 + 3発電機予測の23次元入力を用い、予測誤差とネットワーク混雑状態の複合損失を最小化する。モデルは低いテスト損失（L1: 8、L2: 59）を達成しており、再生可能エネルギーが豊富な電力系統における効果的でスケーラブルな最適化を示している。

ABSTRACT

Sustainable and economical generation of electrical power is an essential and mandatory component of infrastructure in today's world. Optimal generation (generator subset selection) of power requires a careful evaluation of various factors like type of source, generation, transmission & storage capacities, congestion among others which makes this a difficult task. We created a grid to simulate various conditions including stimuli like generator supply, weather and load demand using Siemens PSS/E software and this data is trained using deep learning methods and subsequently tested. The results are highly encouraging. As per our knowledge, this is the first paper to propose a working and scalable deep learning model for this problem.

研究の動機と目的

• 動的負荷および天候変動下における電力系統における最適な発電機サブセット選択の課題に対処すること。
• 再生可能エネルギー統合に伴う電力予測誤差およびネットワーク混雑状態に起因する経済的損失を低減すること。
• ディープラーニングを用いたデータ駆動型のリアルタイム経済的ディスパッチ手法を構築すること。
• 知的な発電機選択を通じて、再生可能エネルギーが豊富な電力系統のより知的で効率的な運用を可能にすること。

提案手法

• 200個のReLU活性化ニューロンを有する1層の隠れ層を持つディープニューラルネットワークが、バス電圧の大きさと3台の発電機の予測太陽光出力の組み合わせた23次元入力ベクトルを処理する。
• モデルは複合損失関数 𝒟 = (モデル出力 − (L₁ + L₂))² を最小化する。ここで L₁ は予測誤差、L₂ は二値の混雑ペナルティ（混雑時50、それ以外0）である。
• 学習データ（4,500/4,900ポイント）は、変動する天候および負荷条件下での20バスネットワークにおけるPSS/Eシミュレーションにより生成された。
• モデルはAdam最適化アルゴリズムを用いて損失を最小化し、L₁ のスケーリングによりL₂ペナルティの大きさとバランスを取っている。
• 3台の太陽光発電機のすべてのサブセットが評価され、モデルは各サブセットの合計コスト（誤差 + 混雑状態）を予測する能力を学習した。
• 汎化性能の評価のため、テストは保持された400ポイントのシミュレーションデータ上で実施された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、電力ディスパッチにおける経済的損失を最小化する最適な太陽光発電機サブセットを効果的に予測できるか？
• RQ2 ニューラルネットワークは、サブセット選択のための経済的ディスパッチにおいて、未観測の負荷および天候条件にどの程度一般化できるか？
• RQ3 混雑ペナルティを組み込むことで、発電機サブセット選択の経済的および運用的信頼性はどの程度向上するか？
• RQ4 機械学習モデルは、動的で再生可能エネルギーが統合されたグリッド環境において、従来の最適化手法を上回ることができるか？

主な発見

• モデルはテストL₁損失が8を記録し、選択された発電機サブセットの実際の出力予測において優れた一般化性能を示した。
• テストL₂損失は59であり、モデルが混雑状態を効果的に回避するサブセットを高い精度で特定できることを示している。
• 学習およびテスト損失曲線は安定した収束を示し、過学習は最小限に抑えられており、未観測データに対して頑健であることが示された。
• 複合損失関数は、予測精度と混雑回避の両方を効果的にバランスさせ、経済的に最適なサブセット選択を可能にした。
• モデルは、再生可能エネルギー源を有するリアルタイム経済的ディスパッチシステムへの展開において、スケーラビリティと実用性を示した。
• 結果は、特に変動する太陽光発電条件下において、深層学習を用いた知的な発電機サブセット選択の実現可能性を裏付けている。