[논문 리뷰] Adaptive Data-Driven Prediction in a Building Control Hierarchy: A Case Study of Demand Response in Switzerland

Jicheng Shi, Yingzhao Lian외 2명|arXiv (Cornell University)|2023. 07. 17.

Smart Grid Energy ManagementEngineering인용 수 3

한 줄 요약

이 논문은 스위스의 수요 반응 프로그램에서 적응형 건물 제어를 위한 데이터 기반 예측 제어 프레임워크를 제안한다. 이 프레임워크는 Willems의 기본 렘마(DeePC)에 기반하며, 3층 계층적 제어 시스템에 원활하게 통합되어 52일 간의 운영에서 최소한의 튜닝과 운영 데이터 수일 간의 자동 모델 업데이트를 통해 운영 비용을 28.74% 감소시켰다.

ABSTRACT

By providing various services, such as Demand Response (DR), buildings can play a crucial role in the energy market due to their significant energy consumption. However, effectively commissioning buildings for such desired functionalities requires significant expert knowledge and design effort, considering the variations in building dynamics and intended use. In this study, we introduce an adaptive data-driven prediction scheme based on Willems' Fundamental Lemma within the building control hierarchy. This scheme offers a versatile, flexible, and user-friendly interface for diverse prediction and control objectives. We provide an easy-to-use tuning process and an adaptive update pipeline for the scheme, both validated through extensive prediction tests. We evaluate the proposed scheme by coordinating a building and an energy storage system to provide Secondary Frequency Control (SFC) in a Swiss DR program. Specifically, we integrate the scheme into a three-layer hierarchical SFC control framework, and each layer of this hierarchy is designed to achieve distinct operational goals. Apart from its flexibility, our approach significantly improves cost efficiency, resulting in a 28.74% reduction in operating costs compared to a conventional control scheme, as demonstrated by a 52-day experiment in an actual building. Our findings emphasize the potential of the proposed scheme to reduce the commissioning costs of advanced building control strategies and to facilitate the adoption of new techniques in building control.

연구 동기 및 목표

• 기존의 고비용의 콘figuration 비용과 전문가의 노력을 요구하는 고급 건물 제어 전략의 구현을 줄이기 위해.
• 모델 예측 제어(MPC)에서의 건물 모델 식별 과제를 해결하기 위해, 매개변수 기반 모델 대신 데이터 기반 대체 모델을 도입하기 위해.
• 다양한 제어 목표를 위한 민첩하고 사용자 友好的이며 적응형 예측을 가능하게 하기 위해.
• 스위스 보조 서비스 시장 내에서 제2차 주파수 제어(SFC)를 위한 실제 건물 제어 환경에서 제안된 방법을 검증하기 위해.
• 실시간 데이터 적응과 최소한의 인간 간섭을 통해 현저한 비용 절감과 운영 효율성 향상을 달성하기 위해.

제안 방법

• 운영 I/O 데이터에서 비모수적이고 데이터 기반의 모델을 구성하기 위해 Willems의 기본 렘마에 기반한 DeePC(데이터 기반 예측 제어)를 활용한다.
• 헤앙 행렬 크기 T를 선택하기 위한 명확한 지침을 제공하는 사용자 友好的한 튜닝 프로세스를 도입하여 전문가 캘리브레이션 의존도를 감소시킨다.
• 최근 운영 데이터를 사용하여 헤앙 행렬을 자동으로 갱신하는 적응형 업데이트 파이프라인을 구현하여 실시간 모델 적응을 가능하게 한다.
• DDP 예측기기를 3층 계층적 제어 아키텍처인 당일 계획자, 예측 제어기, 실시간 액추атор 계층에 통합한다.
• 물리적 규칙 필터를 통합한 이중 레벨 DeePC 설정을 통해 모델 일관성을 확보하고 유연성 과대평가를 방지한다.
• 체계적 제약 조건과 시장 요구사항을 충족시키기 위해 2차 프로그래밍(QP)과 선형 프로그래밍(LP)을 사용하여 제어 조치를 최적화한다.

실험 결과

연구 질문

• RQ1 기존의 매개변수 기반 모델링과 비교해 볼 때, DeePC 기반의 데이터 기반 예측 방법은 건물 제어 시스템의 콘피그레이션 노력과 튜닝 복잡성을 현저히 줄일 수 있는가?
• RQ2 건물 동적 특성이 변화하는 상황에서, DeePC의 적응형 업데이트 메커니즘은 예측 정확도를 장기적으로 유지하는 데 얼마나 효과적인가?
• RQ3 실제 건물 운영 환경에서, SFC와 같은 전력망 지원 서비스를 위한 DeePC 기반 제어는 운영 비용을 얼마나 줄일 수 있는가?
• RQ4 DeePC 프레임워크에 물리적 제약 조건을 통합함으로써 실무에서 신뢰성과 제어 성능은 얼마나 향상되는가?
• RQ5 제안된 방법은 최소한의 역사적 데이터로도 높은 성능을 달성할 수 있는가? 이는 다양한 건물 유형에 빠르게 도입 가능한가?

주요 결과

• 제안된 DDP 기반 제어 방식은 52일 간의 실제 실험 기간 동안 기존 제어 방식 대비 운영 비용을 28.74% 감소시켰다.
• 2022년 기준 예측 제어기에는 운영 데이터 5일, 당일 계획자에는 10일의 데이터만 필요로 했으며, 이는 2017년에 매개변수 기반 모델 식별에 필요한 2주와 1주보다 현저히 적은 데이터 요구량이었다.
• 적응형 업데이트 파이프라인은 인간의 튜닝 없이도 지속적인 모델 정교화를 가능하게 하여 장기적인 예측 정확도와 시스템 반응성 향상을 높였다.
• 헤앙 행렬 크기 T에 대한 사용자 친화적인 튜닝 지침은 전문가 간섭의 필요성을 감소시켜 다양한 건물 유형 간의 구현 가능성을 향상시켰다.
• 이중 레벨 DeePC 프레임워크에 물리적 규칙를 통합함으로써, 제약 조건이 없는 모델 대비 과대평가를 방지하고 예측 신뢰성을 향상시켰다.
• 실제 SFC 적용 사례에서 뛰어난 성능을 보였으며, 건물과 에너지 저장 시스템을 고정밀도와 비용 효율성으로 효과적으로 조율하여 전력망 서비스를 제공하는 데 성공했다.