[論文レビュー] Risk-Aware Objective-Based Forecasting in Inertia Management

Haipeng Zhang, Ran Li+4 more|arXiv (Cornell University)|Mar 21, 2023

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本稿では、意思決定者のリスク志向性を明示的に反映するリスク認識型で目的に基づく予測フレームワークを提案し、電力系統の慣性管理に応用する。確率的最適化およびロバスト最適化と等価性を確立することで、計算コストを大幅に削減した近似確率的性能を達成しており、実運用データを用いたイギリス・グレートブリテン2030年系統モデルを用いて検証された。

ABSTRACT

The objective-based forecasting considers the asymmetric and non-linear impacts of forecasting errors on decision objectives, thus improving the effectiveness of its downstream decision-making process. However, existing objective-based forecasting methods are risk-neutral and not suitable for tasks like power system inertia management and unit commitment, of which decision-makers are usually biased toward risk aversion in practice. To tackle this problem, this paper proposes a generic risk-aware objective-based forecasting method. It enables decision-makers to customize their forecasting with different risk preferences. The equivalence between the proposed method and optimization under uncertainty (stochastic/robust optimization) is established for the first time. Case studies are carried out on a Great Britain 2030 power system with system operational data from National Grid. The results show that the proposed model with deterministic optimization can approximate the performance of stochastic programming or robust optimization at only a fraction of their computational cost.

研究の動機と目的

• 既存の目的に基づく予測手法にはリスク中立的であるという限界があり、慣性管理やユニットコミットメントのようなリスク回避的応用には不適切であるため、これを是正すること。
• 意思決定者が自らの特定のリスク志向性に合わせて予測モデルをカスタマイズできるようにすること。
• 提案されたリスク認識型予測フレームワークと不確実性下での最適化（確率的／ロバスト最適化）との間の正式な等価性を確立すること。
• 提案手法を用いた決定的最適化が、計算コストの高い確率的またはロバストプログラミングの性能をよく近似できることを示すこと。

提案手法

• 意思決定者のリスク志向性を反映するリスク認識型の目的関数を導入し、非対称かつ非線形な誤差ペナルティを持つ特化した損失関数を用いる。
• 予測問題を、意思決定の目的から導出された重み付き損失関数を介してリスク志向性を埋め込んだ決定的最適化問題として定式化する。
• 特定の条件下で、提案されたリスク認識型予測と確率的／ロバスト最適化との間で理論的等価性を確立し、性能保証を可能にする。
• イギリス・グレートブリテン2030年のNational Gridから得た歴史的システム運用データを用いて、予測モデルのキャリブレーションと検証を実施する。
• さまざまな意思決定の目的やリスクプロファイルに適応可能な汎用的な最適化構造を活用する。
• 計算効率が高く、サンプリングベースやシナリオベースの手法ではなく、決定的最適化に依存する。

実験結果

リサーチクエスチョン

• RQ1 リスク認識型で目的に基づく予測フレームワークは、リスク中立的アプローチに比べて、電力系統の慣性管理における意思決定を改善できるか？
• RQ2 不確実性下での確率的最適化およびロバスト最適化と比較して、提案手法の性能はいかがなものか？
• RQ3 決定的最適化が、慣性管理において確率的またはロバストプログラミングの性能をどの程度よく近似できるか？
• RQ4 予測目的にリスク志向性を組み込むことで、計算効率と解の品質にどのような影響が生じるか？
• RQ5 提案されたリスク認識型予測と不確実性下での最適化との間の理論的関係は何か？

主な発見

• 提案されたリスク認識型予測手法は、計算コストを大幅に削減した上で、慣性管理タスクにおいて確率的プログラミングと同等の性能を達成した。
• 計算リソースを大幅に削減したにもかかわらず、ロバスト最適化の解の品質をよく近似した。
• イギリス・グレートブリテン2030年電力系統における事例研究から、決定的定式化が、より複雑な確率的およびロバスト最適化モデルの結果をよく再現することが明らかになった。
• 本手法と不確実性下での最適化との間の等価性は、初めて正式に確立されたものであり、理論的根拠を提供した。
• フレームワークはカスタマイズ可能なリスク志向性を可能にし、意思決定者が自らのリスク回避度に合わせて予測をカスタマイズできる。
• 結果から、予測目的にリスク志向性を組み込むことで、実運用における電力系統運用においてより信頼性が高く実用的な意思決定結果が得られることを確認した。