[論文レビュー] Optimal Two-Tier Forecasting Power Generation Model in Smart Grids

Kianoosh G. Boroojeni, Shekoufeh Mokhtari+2 more|arXiv (Cornell University)|Feb 2, 2015

Energy Load and Power Forecasting参考文献 25被引用数 23

ひとこと要約

本稿では、スマートグリッドにおける住宅用電力需要および分散型再生可能エネルギー発電の予測精度を向上させるために、長期的な最尤推定（MLE）とリアルタイムARIMAモデルを組み合わせた二段階予測モデルを提案する。ARIMAが引き起こすガウス白色ノイズ誤差をボリューム発電で相殺することにより、特に再生可能エネルギーの導入率が高い状況下でも、システムの十分性と信頼性が向上する。

ABSTRACT

There has been an increasing trend in the electric power system from a centralized generation-driven grid to a more reliable, environmental friendly, and customer-driven grid. One of the most important issues which the designers of smart grids need to deal with is to forecast the fluctuations of power demand and generation in order to make the power system facilities more flexible to the variable nature of renewable power resources and demand-side. This paper proposes a novel two-tier scheme for forecasting the power demand and generation in a general residential electrical gird which uses the distributed renewable resources as the primary energy resource. The proposed forecasting scheme has two tiers: long-term demand/generation forecaster which is based on Maximum-Likelihood Estimator (MLE) and real-time demand/generation forecaster which is based on Auto-Regressive Integrated Moving-Average (ARIMA) model. The paper also shows that how bulk generation improves the adequacy of proposed residential system by canceling-out the forecasters estimation errors which are in the form of Gaussian White noises.

研究の動機と目的

• 住宅用スマートグリッドにおける変動する電力需要と途切れの生じやすい分散型再生可能エネルギー発電の予測の課題に対処すること。
• 短期モデルによる予測誤差に直面した際のシステムの十分性と信頼性を向上させること。
• ARIMA予測からの推定ノイズを相殺するため、ボリューム発電を是正メカニズムとして統合すること。
• 分散型で再生可能エネルギーに依存する電力システムにおける長期的エネルギー充足とリアルタイム安定性を確保すること。
• 顧客主導のスマートグリッドにおける需要および発電予測のスケーラブルで頑健なフレームワークを提供すること。

提案手法

• 長期予測には最尤推定（MLE）を、リアルタイム予測にはARIMAモデルを用いる二段階予測アーキテクチャを採用する。
• 予測誤差をスケーリングされたウィーナー過程 $\mathcal{W}_t$ としてモデル化する。
• システム十分性比 $\rho_q(0,t)$ を、時間 $t$ の間に蓄えられたエネルギーがしきい値 $s_q - \lambda$ を上回る確率として定義する。
• ウィーナー過程の累積最大値を用いて十分性の下限を導出する：$\rho_q(0,t) \geq \text{erf}\left(\frac{\lambda}{\sqrt{2t\sigma^2}}\right)$、ここで $\sigma^2 = \sigma_g^2 + \sigma_d^2$。
• 蓄えられたエネルギーが $s_q - \lambda$ 未満に下がると、ローカルロードマネジメントユニット（LLMU）がボリューム発電の要求を発動する。
• エネルギーの流れを動的に分配する：需要が発電を上回る場合は顧客への直接供給を優先し、そうでない場合は余剰エネルギーを蓄電に回す。

実験結果

リサーチクエスチョン

• RQ1 長期的およびリアルタイム予測をどのように統合することで、住宅用スマートグリッドにおける予測精度を向上させられるか？
• RQ2 ARIMAに基づく短期予測は、どの程度システム十分性を損なう誤差を引き起こすか？
• RQ3 ボリューム発電は、ARIMAが引き起こすガウス白色ノイズ誤差を効果的に相殺できるか？
• RQ4 確率的予測誤差下でのシステム十分性の理論的下限は何か？
• RQ5 分散型のローカルロードマネジメントユニット（LLMU）は、ボリューム発電をバックアップとして活用することで、信頼性をどのように確保できるか？

主な発見

• MLEによる長期予測とARIMAによるリアルタイム予測を組み合わせた二段階予測モデルは、需要および分散型発電の予測精度を顕著に向上させる。
• ARIMAモデルからの予測誤差はガウス白色ノイズとして現れ、エネルギー貯蔵の不安定化とシステム十分性の損なわれることを引き起こす。
• システム十分性比 $\rho_q(0,t)$ は誤差関数 $\text{erf}\left(\frac{\lambda}{\sqrt{2t\sigma^2}}\right)$ によって下限づけられ、理論的信頼性保証を提供する。
• ボリューム発電は短期予測ノイズを効果的に相殺し、エネルギーのバランスを回復させ、サービスの中断を防ぐ。
• DRRが唯一のエネルギー源である場合、長期的需要が満たされていなくても、予測誤差が是正されないため、時間の経過とともにシステム十分性が低下する。
• LLMUアルゴリズムは低エネルギー状態を効果的に検出し、信頼性を維持するための適切なタイミングでのボリューム発電要求を発動する。