[논문 리뷰] Data-driven modeling, control and tools for cyber-physical energy systems

Madhur Behl, Achin Jain외 1명|arXiv (Cornell University)|2016. 04. 11.

Smart Grid Energy Management참고 문헌 17인용 수 23

한 줄 요약

이 논문은 회귀 트리로 기준 소비량을 예측하고 최적의 제어 조치를 합성함으로써 대규모 건물의 수요 반응(DR)을 위한 데이터 기반 제어 프레임워크인 mbCRT를 제안한다. 규칙 기반 DR보다 17% 높은 성능을 기록하여 380kW의 부하 절감을 달성하고 45,000달러 이상의 절감 효과를 내며, 92.8–98.9%의 예측 정확도를 보이며 오픈소스 DR-Advisor 도구에 통합되었다. 이는 8개 건물에서 검증되었다.

ABSTRACT

Demand response (DR) is becoming important as the volatility on the grid continues to increase. Current DR approaches are either completely manual or involve deriving first principles based models which are extremely cost and time prohibitive to build. We consider the problem of data-driven DR for large buildings which involves predicting the demand response baseline, evaluating fixed DR strategies and synthesizing DR control actions. We provide a model based control with regression trees algorithm (mbCRT), which allows us to perform closed-loop control for DR strategy synthesis for large buildings. Our data-driven control synthesis algorithm outperforms rule- based DR by 17% for a large DoE commercial reference building and leads to a curtailment of 380 kW and over $45,000 in savings. Our methods have been integrated into an open source tool called DR-Advisor, which acts as a recommender system for the building's facilities manager and provides suitable control actions to meet the desired load curtailment while maintaining operations and maximizing the economic reward. DR-Advisor achieves 92.8% to 98.9% prediction accuracy for 8 buildings on Penn's campus. We compare DR-Advisor with other data driven methods and rank 2nd on ASHRAE's benchmarking data-set for energy prediction.

연구 동기 및 목표

• 대규모 건물의 수요 반응(DR)을 위한 제1원리 모델을 수립하는 데 소요되는 높은 비용과 시간 문제를 해결한다.
• 수동 또는 물리 기반 모델링에 의존하지 않고도 닫힘 루프 제어를 가능하게 하는 확장 가능한 데이터 기반 DR 접근법을 개발한다.
• 역사적 데이터를 활용해 최적의 제어 조치를 합성함으로써 규칙 기반 전략을 초월한 DR 성능 향상을 도모한다.
• 시설 관리자들이 실시간으로 경제적으로 최적의 DR 결정을 내릴 수 있도록 지원하는 오픈소스 도구인 DR-Advisor를 구축한다.

제안 방법

• 역사적 건물 데이터에서 학습하여 기준 소비량을 예측하는 회귀 트리를 활용한 모델 기반 제어 알고리즘인 mbCRT를 제안한다.
• 복잡한 비선형 관계를 정확하게 예측하기 위해 건물 운영과 에너지 사용 간의 관계를 회귀 트리로 모델링한다.
• 실시간 피드백을 기반으로 동적으로 DR 제어 조치를 합성하는 닫힘 루프 제어 프레임워크에 mbCRT를 통합한다.
• 시설 관리자에게 실행 가능한 제어 전략을 제공하는 오픈소스 추천 시스템으로서 DR-Advisor를 개발한다.
• Pennsylvania 대학의 8개 건물에서 수집한 실측 데이터를 바탕으로 모델을 훈련하고 검증하며, 세부 건물 물리 모델에 의존하지 않는 데이터 기반 접근법을 사용한다.
• ASHRAE의 표준 기준 데이터셋을 사용하여 규칙 기반 DR 및 기타 데이터 기반 방법과의 성능을 비교 분석한다.

실험 결과

연구 질문

• RQ1 데이터 기반 제어 합성 방법이 경제적 절감과 부하 절감 효율 측면에서 규칙 기반 DR 전략을 능가할 수 있는가?
• RQ2 제1원리 모델링 없이도 회귀 트리가 대규모 상업용 건물의 기준 에너지 사용을 얼마나 정확하게 예측할 수 있는가?
• RQ3 mbCRT 알고리즘이 실제 건물 운영 환경에서 닫힘 루프 제어를 위한 수요 반응에 얼마나 효과적으로 기여하는가?
• RQ4 DR-Advisor 도구는 다양한 건물 유형을 가진 실제 캠퍼스 네트워크에서 예측 정확도와 경제적 영향이 어떻게 나타나는가?
• RQ5 표준 기준 데이터셋에서 제안된 방법은 다른 데이터 기반 접근법과 비교해 어떻게 성과를 내는가?

주요 결과

• mbCRT 기반 데이터 기반 제어 접근법은 대규모 DoE 상업용 기준 건물에서 규칙 기반 DR 대비 17% 높은 경제적 성능을 기록하였다.
• 이 방법은 380kW의 부하 절감을 달성하면서 45,000달러 이상의 절감 효과를 내어 높은 비용 효율성을 입증하였다.
• DR-Advisor는 펜실베이니아 대학 캠퍼스의 8개 건물에서 92.8%에서 98.9%의 예측 정확도를 기록하여 실제 운영 조건에 대한 강력한 일반화 능력을 보였다.
• 에너지 예측 분야에서 ASHRAE의 기준 데이터셋에서 DR-Advisor는 두 번째로 높은 순위를 기록하여 다른 데이터 기반 방법과의 경쟁력 있는 성능을 입증하였다.
• mbCRT를 DR-Advisor에 통합함으로써 건물 운영과 거주자 쾌적함을 유지하면서도 실시간으로 경제적으로 최적의 제어 결정을 내릴 수 있었다.
• DR-Advisor의 오픈소스 배포 방식은 세부 모델링 없이도 대규모 건물 포트폴리오에 대해 확장 가능하고 저비용의 DR 구현을 가능하게 하였다.