[논문 리뷰] Data-Driven Demand-Side Flexibility Quantification: Prediction and Approximation of Flexibility Envelopes

Nami Hekmat, Hanmin Cai외 3명|arXiv (Cornell University)|2021. 10. 25.

Smart Grid Energy Management참고 문헌 7인용 수 4

한 줄 요약

이 논문은 최적화 기반의 계산 비용을 줄이기 위해 기계학습 예측과 유연성 포괄 영역의 확률적 근사치를 사용하여 실시간 수요 측 유연성 정량화의 계산 및 통신 부하를 감소시키는 데이터 기반 파이프라인을 제안한다. 예측에는 AdaBoost를, 근사에는 2차원 기울인 정규분포를 사용하여 계산 부하를 9배 감소시키고 통신 부하를 6.6배 감소시켰으며, 높은 정확도를 달성함 (R² > 0.94).

ABSTRACT

Real-time quantification of residential building energy flexibility is needed to enable a cost-efficient operation of active distribution grids. A promising means is to use the so-called flexibility envelope concept to represent the time-dependent and inter-temporally coupled flexibility potential. However, existing optimization-based quantification entails high computational burdens limiting flexibility utilization in real-time applications, and a more computationally efficient quantification approach is desired. Additionally, the communication of a flexibility envelope to system operators in its original form is data-intensive. In order to address the computational burdens, this paper first trains several machine learning models based on historical quantification results for online use. Subsequently, probability distribution functions are proposed to approximate the flexibility envelopes with significantly fewer parameters, which can be communicated to system operators instead of the original flexibility envelope. The results show that the most promising prediction and approximation approaches allow for a minimum reduction of the computational burden by a factor of 9 and of the communication load by a factor of 6.6, respectively.

연구 동기 및 목표

• 최적화 기반 방법을 사용한 실시간 유연성 포괄 영역 정량화의 높은 계산 부담을 해결한다.
• 분포망 운영자에게 유연성 포괄 영역의 데이터 집약적인 통신을 줄인다.
• 활성 분포 전력망에서 주거용 건물의 유연성에 대한 확장 가능한 실시간 조율을 가능하게 한다.
• 온라인 유연성 정량화 및 보고를 위한 실용적이고 저지연의 파이프라인을 개발한다.
• 반복적인 최적화를 교체함으로써 확장성을 향상시키기 위해 훈련된 기계학습 모델과 압축된 확률적 표현을 사용한다.

제안 방법

• 이전의 유연성 포괄 영역 데이터에 기반해 기계학습 모델(AdaBoost, SVM, KNN, SVR, GMM)을 훈련하여 온라인에서 향후 포괄 영역을 예측한다.
• 최소한의 파rameter로 포괄 영역을 근사하기 위해 정규분포, 기울인 정규분포, 가우시안 혼합분포의 2차원 및 3차원 변형과 같은 확률 밀도 함수를 사용한다.
• 이중 단계 파이프라인을 적용한다: 먼저 기계학습 모델로 포괄 영역을 예측하고, 그 다음 최적의 피팅되는 PDF를 사용해 근사하여 데이터 전송을 최소화한다.
• 예측 및 근사 정확도 평가를 위해 평균 절대 오차(MAE) 및 R² 점수와 같은 지표를 사용해 모델 선택을 최적화한다.
• 최고 성능을 보이는 예측 및 근사 모델을 통합해 종단 간 효율성을 확보하는 하이브리드 파이프라인을 구성한다.
• 성능 비교를 위한 기준선으로 직접 최적화 모델을 사용한다.

실험 결과

연구 질문

• RQ1 반복적인 최적화에 비해 계산 비용을 크게 줄일 수 있는 기계학습 모델이 미래의 유연성 포괄 영역을 정확하게 예측할 수 있는가?
• RQ2 소수의 초모수만으로도 확률 밀도 함수가 전체 유연성 포괄 영역을 효과적으로 근사할 수 있는가?
• RQ3 원시 포괄 영역 데이터를 파arametric PDF로 대체할 경우 예측 정확도와 통신 효율성 사이의 상호 상충 관계는 어떠한가?
• RQ4 다양한 기계학습 모델과 PDF 변형 간의 예측 및 근사 성능은 어떻게 비교되는가?
• RQ5 최고의 예측 및 근사 모델을 조합한 하이브리드 파이프라인이 낮은 계산 부하와 높은 정밀도를 동시에 달성할 수 있는가?

주요 결과

• AdaBoost 기반 예측 모델은 원래 최적화 기반 방법 대비 계산 부하를 9배 감소시켰다.
• 2차원 기울인 정규분포(SND) 근사치는 전체 포괄 영역을 전송하는 것에 비해 통신 부하를 6.6배 감소시켰다.
• 최고의 예측 모델(AdaBoost)은 MAE 21분, R² 점수 0.95를 기록하여 기준선(예: MAE 93분, R² 0.79)을 크게 뛰어넘었다.
• 최고의 근사 모델(2D-SND)은 R² 점수 0.99와 MAE 25분을 달성하여 최소한의 파rameter로도 높은 정밀도를 확보했다.
• 하이브리드 파이프라인(AdaBoost 예측 + 2D-SND 근사)은 MAE 35분, R² 점수 0.94를 기록하여 오차가 덧셈적으로 누적되지 않음을 보여주었다.
• 전력 수준에 따라 AdaBoost, SVM, KNN를 전환하는 하이브리드 모델은 예측 정확도를 약간 향상시켜 MAE 31분, R² 0.95를 달성했다.