[논문 리뷰] COMANDO: A Next-Generation Open-Source Framework for Energy Systems Optimization

Marco Langiu, David Yang Shu외 8명|arXiv (Cornell University)|2021. 02. 03.

Integrated Energy Systems Optimization참고 문헌 89인용 수 63

한 줄 요약

COMANDO는 통합 에너지 시스템의 비선형, 동적, 확률적 최적화를 위한 오픈소스이자 컴포넌트 중심의 파이썬 프레임워크입니다. 하이브리드 기계학습/데이터 기반 컴포넌트의 유연한 모델링을 가능하게 하며, 확률적 프로그래밍 및 서rogate 모델링과 같은 고급 설정을 지원하고, 글로벌 최적화를 위한 확장 가능한 도구를 제공합니다. 신경망을 활용한 동적 및 확률적 최적화를 포함한 네 가지 다양한 사례 연구를 통해 그 유연성을 입증합니다.

ABSTRACT

Existing open-source modeling frameworks dedicated to energy systems optimization typically utilize (mixed-integer) linear programming ((MI)LP) formulations, which lack modeling freedom for technical system design and operation. We present COMANDO, an open-source Python package for component-oriented modeling and optimization for nonlinear design and operation of integrated energy systems. COMANDO allows to assemble system models from component models including nonlinear, dynamic and discrete characteristics. Based on a single system model, different deterministic and stochastic problem formulations can be obtained by varying objective function and underlying data, and by applying automatic or manual reformulations. The flexible open-source implementation allows for the integration of customized routines required to solve challenging problems, e.g., initialization, problem decomposition, or sequential solution strategies. We demonstrate features of COMANDO via case studies, including automated linearization, dynamic optimization, stochastic programming, and the use of nonlinear artificial neural networks as surrogate models in a reduced-space formulation for deterministic global optimization.

연구 동기 및 목표

• 기존의 (M)ILP 수식을 초월하는 비선형, 동적, 불확실성을 수반하는 에너지 시스템 설계 및 운영을 위한 오픈소스 도구의 부족을 보완한다.
• 기술 시스템 설계에서 더 큰 모델링 자유도를 확보하기 위해 하이브리드 기계학습 및 데이터 기반 모델을 결합한 컴포넌트 중심 모델링을 가능하게 한다.
• 두 단계 확률적 프로그래밍을 통해 불확실성 하에서 설계 및 운영을 동시에 최적화할 수 있도록 지원한다.
• 초기화, 분해, 순차적 해법 전략과 같은 맞춤형 알고리즘의 통합을 촉진한다.
• 글로벌 최적화 및 서rogate 모델 기반 기법과 같은 고급 최적화 기법 개발을 위한 민첩하고 확장 가능한 프레임워크를 제공한다.

제안 방법

• 기본 계산 엔진으로 SymPy를 사용하여 수학적 표현의 기호적 조작과 자동 재구성(예: 선형화)을 수행한다.
• 미분-代数 방정식(DAE)을 통해 비선형, 동적, 이산적 특성을 갖는 컴포넌트를 모델링하여 시스템 동역학의 정확한 표현을 가능하게 한다.
• 목적 함수와 데이터 입력을 변경함으로써 결정론적, 확률적, 축소된 공간 최적화 등의 다양한 문제 설정을 지원한다.
• 결정론적 글로벌 최적화를 위한 축소된 공간 설정에서 인공 신경망을 서rogate 모델로 통합할 수 있도록 한다.
• 모듈러하고 재사용 가능한 컴포넌트 모델을 제공하여 복잡한 시스템 아키텍처를 구성할 수 있도록 한다.
• 자동 및 수동 재구성 기능을 지원하여 다양한 솔버와의 호환성을 향상시킨다.

실험 결과

연구 질문

• RQ1 기존의 (M)ILP 기반 ESMF에 비해 컴포넌트 중심의 오픈소스 프레임워크가 통합 에너지 시스템의 비선형 및 동적 최적화를 더 효과적으로 지원할 수 있는가?
• RQ2 하이브리드 기계학습/데이터 기반 모델이 에너지 시스템 최적화 프레임워크에 원활하게 통합될 수 있는 방법은 무엇인가?
• RQ3 탄력적이고 확장 가능한 오픈소스 프레임워크에서 불확실성 하의 확률적 프로그래밍 설정을 얼마나 효율적으로 구현할 수 있는가?
• RQ4 신경망 기반 서rogate 모델이 복잡한 에너지 시스템에서 결정론적 글로벌 최적화의 효율성을 향상시킬 수 있는가?
• RQ5 이 프레임워크는 문제 분해 또는 순차적 해법 전략과 같은 고급 알고리즘 개발을 어떻게 지원하는가?

주요 결과

• COMANDO는 기존의 (M)ILP 기반 프레임워크의 한계를 극복하고 비선형, 동적, 이산적 특성을 갖는 에너지 시스템의 최적화를 성공적으로 가능하게 하였다.
• 프레임워크는 비선형 모델의 자동 선형화를 지원하여 복잡한 재구성 작업을 효율적으로 처리할 수 있음을 입증하였다.
• DAE 기반 모델링을 통해 열교환기 네트워크의 동적 최적화를 달성하여 일시적 거동의 정확한 표현을 보였다.
• 불확실한 수요 및 가격 시나리오 하에서 시스템 설계 최적화에 대해 확률적 프로그래밍 설정을 성공적으로 적용하여 내구성을 향상시켰다.
• 비선형 인공 신경망을 축소된 공간 설정에서 서rogate 모델로 사용한 사례 연구를 통해 상당한 계산 절감 효과를 얻은 결정론적 글로벌 최적화를 실현하였다.
• 프레임워크의 모듈러하고 확장 가능한 아키텍처는 맞춤형 해법 전략, 초기화 루틴, 솔버 인터페이스의 통합을 가능하게 하여 복잡한 문제에 대한 적응성을 높였다.