[논문 리뷰] Dynamic Optimal Power Flow in Microgrids using the Alternating Direction Method of Multipliers

Paul Scott, Sylvie Thiébaux|arXiv (Cornell University)|2014. 10. 29.

Microgrid Control and Optimization참고 문헌 16인용 수 11

한 줄 요약

이 논문은 보다 정확한 선로 모델과 이중 단계 접근법을 통해 이산 결정과 불확실성을 처리하는 분산 동적 최적 전력 흐름(D-OPF) 방법을 제안한다. 이는 ADMM(교차 방향 승수법) 기반으로 구현되며, 수렴 시간이 짧고 후행 시간 창과 호환되어 실시간 분산 스마트 그리드 제어의 실용적 구현을 가능하게 한다.

ABSTRACT

Smart devices, storage and other distributed technologies have the potential to greatly improve the utilisation of network infrastructure and renewable generation. Decentralised control of these technologies overcomes many scalability and privacy concerns, but in general still requires the underlying problem to be convex in order to guarantee convergence to a global optimum. Considering that AC power flows are non-convex in nature, and the operation of household devices often requires discrete decisions, there has been uncertainty surrounding the use of distributed methods in a realistic setting. This paper extends prior work on the alternating direction method of multipliers (ADMM) for solving the dynamic optimal power flow (D-OPF) problem. We utilise more realistic line and load models, and introduce a two-stage approach to managing discrete decisions and uncertainty. Our experiments on a suburb-sized microgrid show that this approach provides near optimal results, in a time that is fast enough for receding horizon control. This work brings distributed control of smart-grid technologies closer to reality.

연구 동기 및 목표

• 실제 네트워크 및 부하 모델을 고려한 분산형, 개인정보 보호 기능을 갖춘 최적 전력 흐름 문제를 해결하기 위해.
• 비볼록 AC 전력 흐름, 이산 가정용 결정, 재생 가능 에너지 및 부하의 불확실성을 처리할 수 있도록 ADMM 기반 D-OPF를 확장하기 위해.
• 실시간 후행 시간 창 제어를 가능하게 하기 위해 빠른 해법 시간을 확보하면서도 해의 품질을 유지하기 위해.
• 가정 단위의 지역적 불확실성 보정 및 이산 변수 효율적 관리를 유도하는 이중 단계 가격 메커니즘을 개발하기 위해.
• 분산 PV 및 배터리 저장장치를 탑재한 실제 도시 규모의 마이크로그리드에서 방법의 성능을 평가하기 위해.

제안 방법

• 논문은 시간 연관 성분을 관리하기 위해 후행 시간 창 제어 프레임워크 내에서 다단계 시간 간격에 걸쳐 D-OPF 문제를 수립한다.
• ADMM를 활용해 전역 최적화 문제를 버스 또는 네트워크 구성 요소 간에 분해함으로써 분산 계산을 가능하게 하고 개인정보 보호를 유지한다.
• 해결의 현실성과 정확도를 향상시키기 위해 단순화된 DC 근사치 대신 더 정확한 AC 전력 흐름 모델을 사용한다.
• 이중 단계 접근법을 도입: 첫 번째 단계는 이산 변수를 관리하기 위해 페널티 함수를 사용한 완화된 문제를 활용하고, 두 번째 단계는 불확실성 보정 및 일致성 강제를 위해 가격 조정을 수행한다.
• 특히 일조량 변동성이 있는 상황에서도 시스템 전체 비용 최소화와 가정의 인cent리브를 일치시키기 위해 정규화된 가격 설정(RP) 메커니즘을 사용한다.
• 알고리즘은 실제 일조량 프로파일을 사용하여 2kW PV 시스템과 2kWh 배터리를 무작위로 설치한 70버스 마이크로그리드에서 테스트되었다.

실험 결과

연구 질문

• RQ1 ADMM 기반 분산 D-OPF는 실제 AC 전력 흐름 모델을 적용하고도 후행 시간 창 제어에 적합한 빠른 수렴 속도로 근사 최적 해를 달성할 수 있는가?
• RQ2 분산 최적화 프레임워크 내에서 이산 가정용 결정(예: 배터리 충전, 가전기기 스케줄링)을 효과적으로 관리할 수 있는가?
• RQ3 지역 재생 가능 에너지 생산의 불확실성에 대응하기 위해 가정이 반응하도록 유도할 수 있는 가격 메커니즘은 무엇인가, 이는 시스템 전체 최적성에 영향을 주지 않는가?
• RQ4 일조량 불확실성으로 인해 성능이 저하될 경우, 이중 단계 접근법이 이를 완화할 수 있는가?
• RQ5 이 방법은 산업용 부하 및 네트워크 구조 변화를 포함한 더 큰 또는 더 복잡한 시스템으로 확장 또는 적응 가능한가?

주요 결과

• 제안된 방법은 빠른 해법 시간을 확보하여 실시간 마이크로그리드 운영에서 후행 시간 창 제어에 적합한 근사 최적 해를 달성한다.
• 일조량이 20% 감소한 경우, 원래 해와 비교해 발전 비용이 8–10% 증가했으며, 이는 불확실성에 대한 민감도를 보여준다.
• RP 방법의 함수 0은 평균적으로 1% 더 우수한 성능를 보였고, 높아진 발전 비용에 비례해 가정의 비용도 증가하여 예산 균형이 향상되었다.
• 함수 3는 증가된 비용에 대해 거의 반응하지 않아 인센티브 일치가 부족한 것으로 나타났고, 반면 함수 0은 일조량이 20% 증가했을 때 여유 태양광 에너지를 효과적으로 활용하여 총 비용을 약 8% 감소시켰다.
• RP 메커니즘의 페널티 파라미터 α는 준수를 강제하고 시장 예산 균형을 지원하기 위해 조정 가능하지만, 게임 플레잉과 합법적 불확실성 간의 구분은 불가능하다.
• 배터리는 지역 불확실성을 처리하는 데 더 큰 유연성을 제공함으로써, 예측이 부정확한 상황에서도 저장장치 통합이 시스템의 강건성 향상에 기여함을 시사한다.