[논문 리뷰] Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting

Joaquim Dias Garcia, Alexandre Street외 2명|arXiv (Cornell University)|2021. 02. 26.

Energy Load and Power Forecasting인용 수 8

한 줄 요약

이 논문은 전력 시스템에서 동적 레이저와 부하 예측을 향상시키기 위해 예측과 의사결정을 이원 최적화를 통해 공동 최적화하는 피드백 루프 구조인 응용 기반 학습을 소개한다. 예측과 운영 비용 최소화를 통합함으로써 기존 개방형 접근 방식보다 낮은 장기 운영 비용을 달성하고, 수천 대의 버스를 포함한 대규모 시스템으로의 확장성도 확보한다.

ABSTRACT

Forecasting and decision-making are generally modeled as two sequential steps with no feedback, following an open-loop approach. In this paper, we present application-driven learning, a new closed-loop framework in which the processes of forecasting and decision-making are merged and co-optimized through a bilevel optimization problem. We present our methodology in a general format and prove that the solution converges to the best estimator in terms of the expected cost of the selected application. Then, we propose two solution methods: an exact method based on the KKT conditions of the second-level problem and a scalable heuristic approach suitable for decomposition methods. The proposed methodology is applied to the relevant problem of defining dynamic reserve requirements and conditional load forecasts, offering an alternative approach to current ad hoc procedures implemented in industry practices. We benchmark our methodology with the standard sequential least-squares forecast and dispatch planning process. We apply the proposed methodology to an illustrative system and to a wide range of instances, from dozens of buses to large-scale realistic systems with thousands of buses. Our results show that the proposed methodology is scalable and yields consistently better performance than the standard open-loop approach.

연구 동기 및 목표

• 예측과 의사결정이 피드백 없이 별개로 다뤄지는 전력 시스템에서의 개방형 예측 및 의사결정의 한계를 해결하기 위해.
• 장기 시스템 비용을 최소화하기 위해 예측과 운영 결정을 공동 최적화하는 피드백 루프 프레임워크를 개발하기 위해.
• 현재 산업 현장에서의 비체계적 관행에 대한 이론적으로 탄탄하고 확장 가능하며 투명한 대안을 제공하기 위해.
• 실제 전력 시스템, 특히 수천 대의 버스를 포함한 대규모 사례에서 이 방법의 효과성을 입증하기 위해.

제안 방법

• 상위 수준은 예측된 불확실성 기반의 기대 운영 비용을 최소화하고, 하위 수준은 해당 예측 하에 경제적 발전 등의 의사결정 문제를 해결하는 이원 최적화 문제를 설정한다.
• 하위 문제의 KKT 조건을 활용한 정확한 해법이 도출되어, 적용 분야 비용 측면에서 최적의 추정기로 수렴 가능하다.
• 최소 제곱 추정치로 초기화하고 반복적으로 성능을 향상시키는 스케일러블 휴리스틱 방법이 제안되어, 대규모 문제의 분해 및 온전한 시작 전략을 가능하게 한다.
• 외부 예측 모델에 의존하지 않고 네트워크 전역에서 최적의 레이저 크기 및 위치를 내생적으로 결정할 수 있다.
• 일반적인 불확실성 유형을 지원하며, 비선형 및 정수 프로그래밍으로의 확장이 가능하며, 특히 휴리스틱 방법을 통해 가능하다.
• 클라우드 컴퓨팅을 활용해 구현되었으며, 최대 13,659개의 버스를 포함한 시스템의 경우 훈련 시간이 30분 이내이다.

실험 결과

연구 질문

• RQ1 예측 오차가 존재하는 상황에서 장기 시스템 운영 비용을 최소화하기 위해 최적의 부하 예측 편향은 무엇인가?
• RQ2 동적 레이저 요구량과 부하 예측 편향은 어떻게 상호 작용하여 운영 비용을 최소화하는가?
• RQ3 예측과 의사결정을 공동 최적화하는 피드백 루프 프레임워크가 기존의 개방형 최소 제곱 예측 및 규칙 기반 레이저 설정보다 우수한 성능을 보일 수 있는가?
• RQ4 제안된 방법이 수천 대의 버스를 포함한 대규모 실세계 전력 시스템으로 얼마나 잘 확장되는가?
• RQ5 대규모 사례에서 정확한 방법 대비 휴리스틱 방법의 해 품질과 계산 시간은 어떻게 비교되는가?

주요 결과

• 제안된 프레임워크는 제한된 계산 자원 조건에서도 기존의 개방형 예측 및 배치 방식보다 장기 운영 비용을 지속적으로 낮춘다.
• 최적의 예측 편향이 존재하며, 이는 최적의 레이저 크기와 깊이 연관되어 있어 상호 의존성을 보여준다.
• 이 방법은 IEEE 300버스 시스템 및 최대 13,659개의 버스를 포함한 대규모 전력 시스템으로도 잘 확장되며, 클라우드 컴퓨팅을 활용해 30분 이내에 해를 도출한다.
• 온전한 시작과 분해 전략을 활용해 휴리스틱 방법은 합리적인 시간 내에 고품질의 해를 제공하며, 모든 테스트 시스템에서 성능 향상이 관찰된다.
• 이 프레임워크는 시스템 운영자 목표와 네트워크 특성에 가장 잘 부합하는 지방 레이저 요구량을 내생적으로 결정할 수 있다.
• 실험 결과, 부하 예측과 레이저 요구량을 공동 최적화하면, 외부 예측을 입력으로 사용하더라도 일관된 비용 절감 효과를 보인다.