[論文レビュー] Predict+Optimize Problem in Renewable Energy Scheduling

Christoph Bergmeir, Frits de Nijs+26 more|arXiv (Cornell University)|Dec 21, 2022

Energy Load and Power Forecasting被引用数 4

ひとこと要約

この論文は、モンシャ・マイクログリッドのデータを用いて、再生可能エネルギー調停におけるIEEE-CIS技術的チャレンジ「予測＋最適化」の上位ソリューションを評価している。予測と最適化を統合したハイブリッド手法として勾配ブースティング木とランダムフォレストを組み合わせ、その後にサンプル平均近似を用いた固定・最適化MIP戦略を適用し、不確実性下でのエネルギー調停において顕著なコスト削減を達成した。

ABSTRACT

Predict+Optimize frameworks integrate forecasting and optimization to address real-world challenges such as renewable energy scheduling, where variability and uncertainty are critical factors. This paper benchmarks solutions from the IEEE-CIS Technical Challenge on Predict+Optimize for Renewable Energy Scheduling, focusing on forecasting renewable production and demand and optimizing energy cost. The competition attracted 49 participants in total. The top-ranked method employed stochastic optimization using LightGBM ensembles, and achieved at least a 2% reduction in energy costs compared to deterministic approaches, demonstrating that the most accurate point forecast does not necessarily guarantee the best performance in downstream optimization. The published data and problem setting establish a benchmark for further research into integrated forecasting-optimization methods for energy systems, highlighting the importance of considering forecast uncertainty in optimization models to achieve cost-effective and reliable energy management. The novelty of this work lies in its comprehensive evaluation of Predict+Optimize methodologies applied to a real-world renewable energy scheduling problem, providing insights into the scalability, generalizability, and effectiveness of the proposed solutions. Potential applications extend beyond energy systems to any domain requiring integrated forecasting and optimization, such as supply chain management, transportation planning, and financial portfolio optimization.

研究の動機と目的

• 不確実性下での再生可能エネルギー調停における予測と最適化の統合の課題に取り組む。
• 実世界のマイクログリッドデータを用いて、エネルギーシステムにおける「予測＋最適化」パラダイムのベンチマークを提供する。
• コスト最小化を目的とした、予測と調停を統合的に最適化する最新の手法を評価・比較する。
• 従来の2段階パイプラインとは対照的に、エンドツーエンドまたは統合型の予測・最適化アプローチの優位性を示す。
• 実運用における実用的課題、たとえばシナリオ選定、モデルのロバストネス、計算効率の観点から、鍵となる要因を特定する。

提案手法

• 天気およびカレンダーデータを用いて、太陽光発電出力および建物の電力需要を予測するため、勾配ブースティング木とランダムフォレストを用いる。
• 予測の周辺分布推定のため、ランダムフォレストを用いた分位点回帰を適用し、シナリオ生成に用いる。
• 混合整数プログラミング（MIP）において、変数の部分集合を固定することで反復的に解を改善する「固定・最適化」ヒューリスティックを採用する。
• 複数の予測シナリオを最適化対象とすることで、不確実性下での期待コストを低減するため、サンプル平均近似（SAA）を実装する。
• 解の品質と実行時間のバランスを図るために、Gurobiを用いて最適化問題を解き、時間制限および最適性ギャップ制約を適用する。
• 収束を改善するために、反復的局所探索を実施し、活動サンプリング（1回の反復あたり10件の繰り返し、5件のワンオフ）と、忍耐力に基づく早期停止を採用する。

実験結果

リサーチクエスチョン

• RQ1 統合型の「予測＋最適化」手法は、従来の2段階の予測・最適化パイプラインと比較して、再生可能エネルギー調停においてどのように異なるか？
• RQ2 特に1つの建物の予測密度に基づくシナリオ生成の質が、最終的な調停コストに与える影響は何か？
• RQ3 固定・最適化ヒューリスティックは、完全なMIP解法と比較して、解の品質と速度の両面でどの程度向上をもたらすか？
• RQ4 XGBoost やランダムフォレストなどの異なる予測モデルは、エネルギー調停における下流の最適化性能にどのように影響を与えるか？
• RQ5 実世界のマイクログリッド運用における、強固でスケーラブルな「予測＋最適化」システムを導入する際の主なボトルネックは何か？

主な発見

• 優勝手法は、サンプル平均近似を用いて複数の予測シナリオを統合的に最適化することで、顕著なコスト削減を達成した。
• 勾配ブースティング木とランダムフォレストは、データセット全体において太陽光発電および建物需要の予測で最も高い精度を示した。
• 固定・最適化アプローチにより、特に大規模な問題インスタンスにおいて最終コストが顕著に削減され、目的関数値の推移からも改善が明確に観察された。
• 最適化フェーズは、完全なMIPの解の品質によって制限されており、より良いMIP定式化がさらなる改善を可能にする可能性を示唆している。
• 建物3の予測密度に基づくシナリオは一般化性に制限があり、複数のソース間の相関関係を組み込むことで性能向上が期待できる。
• Phase 2 におけるモデル誤差や最適化ウィンドウの不一致が評価を妨げ、実運用における強固でモジュラーなコード設計の重要性を浮き彫りにした。