[論文レビュー] Stochastic MPC for energy hubs using data driven demand forecasting

Varsha Behrunani, Francesco Micheli+3 more|arXiv (Cornell University)|Jan 1, 2023

Advanced Control Systems Optimization被引用数 1

ひとこと要約

本稿では、ガウス過程（GP）に基づくデータ駆動型予測を用いて不確実な電力および熱需要を予測する、確率的モデル予測制御（MPC）フレームワークを提案する。GPモデルからマルチステップ需要の軌道をサンプリングし、シナリオアプローチを適用することで、確率的制約付き最適化問題を解き、制約違反を顕著に低減するとともに、低コストな運用を維持する。実際の建物データを用いた評価では、95%信頼水準、100シナリオで近似的最適な性能を達成した。

ABSTRACT

Energy hubs convert and distribute energy resources by combining different energy inputs through multiple conversion and storage components. The optimal operation of the energy hub exploits its flexibility to increase the energy efficiency and reduce the operational costs. However, uncertainties in the demand present challenges to energy hub optimization. In this paper, we propose a stochastic MPC controller to minimize energy costs using chance constraints for the uncertain electricity and thermal demands. Historical data is used to build a demand prediction model based on Gaussian processes to generate a forecast of the future electricity and heat demands. The stochastic optimization problem is solved via the Scenario Approach by sampling multi-step demand trajectories from the derived prediction model. The performance of the proposed predictor and of the stochastic controller is verified on a simulated energy hub model and demand data from a real building.

研究の動機と目的

• エネルギーハブ運用における不確実な電力および熱需要の課題に対処すること。
• 高度な予測制御を通じてエネルギー効率を向上させ、運用コストを低減すること。
• ガウス過程を用いて建物エネルギー需要の不確実性を捉えるデータ駆動型予測モデルを開発すること。
• シナリオアプローチを用いて予測の不確実性を確率的MPCフレームワークに統合し、ロバストな制御を実現すること。
• 実際の建物の需要データとシミュレートされたエネルギーハブを用いて、制御性能を検証すること。

提案手法

• 履歴データを用いてガウス過程（GP）モデルを訓練し、不確実性を伴うマルチステップ電力および熱需要を予測する。
• GP予測器は、各時刻ごとに50本のマルチステップ需要軌道サンプルを生成し、将来の需要の不確実性を表現する。
• 熱および電気的電力制限に違反する確率を制限するため、確率的制約付き最適化問題として確率的MPC問題を定式化する。
• シナリオアプローチを適用し、GPモデルから軌道をサンプリングすることで、確率的制約付き問題を決定的ロバスト最適化問題に変換する。
• 得られた最適化問題を各制御区間でリアルタイムに解き、発電、ヒートポンプ、ボイラー、蓄電・蓄熱装置、PVユニットの最適ディスpatchを導出する。
• 制御器は、エチュード・ツーリング・ゼンター（ETZ）建物の実際の需要データと、シミュレートされたエネルギーハブを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 GPベースのモデルは、実際の建物において、24時間までのあらゆる予測ホライゾンで、電力需要について±5%以内、熱需要について±10%以内の中央値予測誤差を達成できるか？
• RQ2 完璧な予測が得られる決定的MPCと比較して、シナリオベースの確率的MPCは、制約違反をどの程度低減できるか？
• RQ3 サンプルされたシナリオ数は、運用コストと制約違反確率のトレードオフにどのように影響するか？
• RQ4 提案されたフレームワークは、熱および電気的負荷制約を満たす95%の信頼水準を維持しながら、低運用コストを維持できるか？
• RQ5 完璧な需要知識を持つベースラインと比較して、現実的な不確実性下でのMPC制御器の性能はいかがなものか？

主な発見

• GPベースの予測は、24時間までのあらゆる予測ホライゾンにおいて、電力で±5%以内、熱で±10%以内の中央値予測誤差を達成した。
• 100のシナリオをサンプリングした場合、平均運用コストは59.28 CHF/hにまで低下し、完璧な予測ベースラインの59.01 CHF/hに非常に近い値となった。
• 制約違反の回数は、3シナリオのとき25%から100シナリオに増加させるとほぼゼロにまで低下し、累積的な違反は80%以上減少した。
• 熱制約違反の経験的分布から、3から100シナリオに増加させることで、違反の深刻さと頻度が顕著に低下したことが明らかになった。
• MPC制御器は高いロバスト性を示し、需要の不確実性下でも低コストかつ高信頼性を維持した。これにより、シナリオアプローチの有効性が裏付けられた。
• わずか100のシナリオで95%の信頼水準での制約満足が達成された。これにより、本手法のスケーラビリティとリアルタイム制御への実用性が確認された。