[논문 리뷰] Application-Driven Learning via Joint Prediction and Optimization of Demand and Reserves Requirement

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

Energy Load and Power Forecasting참고 문헌 41인용 수 8

한 줄 요약

이 논문은 이중 최적화를 통해 하중 예측과 레이지 요구량 예측을 동시에 최적화하는 피드백 루프 기반 학습 프레임워크를 제안한다. 이로써 전통적인 방법에서 발생하는 순차적 오류 전파 문제를 제거한다. 다양한 규모의 전력 시스템에서 운영 비용을 낮추고 시스템 성능을 향상시키며, 점점 더 수렴하는 성질과 확장 가능한 해법을 입증하였다.

ABSTRACT

Forecasting and decision-making are generally modeled as two sequential steps with no feedback, following an open-loop approach. In power systems, operators first forecast loads trying to minimize errors with respect to historical data. They also size reserve requirements based on error estimates. Next, energy and reserves are scheduled and the system is operated following the dispatch schedule, deploying reserves as needed to accommodate forecast errors. However, co-optimizing these processes may lead to better decisions and result in lower operating costs than when they are considered sequentially. In this paper, we present a new closed-loop learning framework in which the processes of forecasting and decision-making are merged and co-optimized through a bilevel optimization problem. We prove asymptotic convergence of the method and propose two solution approaches: an exact method based on the KKT conditions of the second level problem, and a scalable heuristic approach suitable for decomposition methods. 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 systems ranging from dozens to thousands of buses. Our results show that the proposed approach yields consistently better performance than the standard open-loop approach.

연구 동기 및 목표

• 예측과 레이지 규모 설정을 별개의 단계로 간주하고 피드백이 없는 순차적 예측 및 의사결정 방식의 한계를 해결한다.
• 예측 오차가 레이지 규모 설정이나 운용 계획 수립에 반영되지 않는 개방형 접근 방식에서 발생하는 최적화되지 않은 결과를 극복한다.
• 예측과 레이지 요구량 예측을 하나의 피드백 루프 최적화 과정으로 통합한 통합 학습 프레임워크를 개발한다.
• 소규모에서 대규모 네트워크에 이르기까지 실제 구현에 적합한 이론적 수렴성과 계산적 확장성을 확보한다.
• 다양한 시스템 구성에서 표준 순차적 최소 제곱 예측 및 운용 계획 수립 방식보다 뛰어난 성능을 입증한다.

제안 방법

• 상위 수준에서는 예측 및 레이지 파라미터를 최적화하고 하위 수준에서는 운영 운용 및 레이지 배치 문제를 해결하는 이중 최적화 문제로 문제를 수립한다.
• 하위 문제의 최적성 조건을 상위 문제에 통합하기 위해 카룩-쿠른-타커(Karush-Kuhn-Tucker, KKT) 조건을 활용하여 정확한 해법을 도출한다.
• 수천 개의 버스를 포함한 대규모 시스템에 적합한 분해 기반의 확장 가능한 휴리스틱 방법을 제안한다.
• 단순히 예측 오차를 최소화하는 것이 아니라, 전체 시스템 운영 비용을 최소화하기 위해 하중과 레이지 요구량을 함께 예측한다.
• 제안된 공동 최적화 구조 하에서 학습 프레임워크의 점근적 수렴성을 보장한다.
• 단순한 시스템과 대규모 전력 시스템에 모두 프레임워크를 적용하여 성능 및 확장성 검증

실험 결과

연구 질문

• RQ1 하중 예측과 레이지 요구량 예측을 공동 최적화하면 순차적 예측 및 운용 방식보다 운영 비용을 낮출 수 있는가?
• RQ2 제안된 피드백 루프 기반 학습 프레임워크는 전통적인 개방형 접근 방식에 비해 시스템 성능과 비용 효율성 측면에서 어떻게 향상되는가?
• RQ3 공동 예측 및 최적화 프레임워크에 대해 수립할 수 있는 이론적 보장(예: 수렴성)은 무엇인가?
• RQ4 수십에서 수천 개의 버스를 포함한 다양한 규모의 전력 시스템에 적용했을 때, 제안된 방법의 확장성은 어떠한가?
• RQ5 정확한 KKT 기반 방법과 휴리스틱 분해 방법 간의 정확도 및 계산 가능성 측면에서의 상대적 이점은 무엇인가?

주요 결과

• 제안된 피드백 루프 프레임워크는 운영 비용 절감 측면에서 표준 순차적 최소 제곱 예측 및 운용 절차를 일관되게 능가한다.
• 이론적으로 수렴성이 확보되어 제안된 이중 최적화 구조 하에서 신뢰할 수 있는 최적화 결과를 보장한다.
• KKT 조건 기반의 정확한 해법은 공동 최적화 프레임워크에 대한 이론적 타당성을 제공한다.
• 휴리스틱 방법은 확장 가능한 구현을 가능하게 하며, 수천 개의 버스를 포함한 대규모 시스템의 분해에 매우 적합하다.
• 소규모 단순 시스템부터 복잡한 대규모 네트워크에 이르기까지 다양한 시스템 규모에서 성능 향상이 관찰된다.
• 예측과 의사결정의 공동 최적화로 더 견고한 레이지 규모 설정이 가능해지고, 운영 중 수정 조치에 대한 의존도가 감소한다.