[논문 리뷰] Intelligent Subset Selection of Power Generators for Economic Dispatch

Biswarup Bhattacharya, Abhishek Sinha|arXiv (Cornell University)|2017. 09. 08.

Energy Load and Power Forecasting참고 문헌 10인용 수 3

한 줄 요약

이 논문은 예측 오차와 네트워크 혼잡도의 복합 손실을 최소화하기 위해 23차원 입력(20개 버스 전압 + 3개 발전기 예측)을 사용하는 딥러닝 기반의 태양광 발전기 지능형 부분집합 선택 방법을 제안한다. 모델은 낮은 테스트 손실(L1: 8, L2: 59)을 달성하여 재생 가능 에너지가 풍부한 송전망에서 효과적이고 확장 가능한 최적화를 실현한다.

ABSTRACT

Sustainable and economical generation of electrical power is an essential and mandatory component of infrastructure in today's world. Optimal generation (generator subset selection) of power requires a careful evaluation of various factors like type of source, generation, transmission & storage capacities, congestion among others which makes this a difficult task. We created a grid to simulate various conditions including stimuli like generator supply, weather and load demand using Siemens PSS/E software and this data is trained using deep learning methods and subsequently tested. The results are highly encouraging. As per our knowledge, this is the first paper to propose a working and scalable deep learning model for this problem.

연구 동기 및 목표

• 동적 부하 및 기상 조건 하에서 전력 시스템의 최적 발전기 부분집합 선택 문제를 해결하기 위해.
• 재생 가능 에너지 통합 과정에서 전력 예측 오차와 네트워크 혼잡도로 인한 경제적 손실을 줄이기 위해.
• 딥러닝을 활용한 데이터 기반의 실시간 경제적 발전 조정을 위한 확장 가능한 방법을 개발하기 위해.
• 지능적인 발전기 선택을 통해 재생 가능 에너지 비중이 높은 송전망의 더 스마트하고 효율적인 운영을 가능하게 하기 위해.

제안 방법

• 200개의 ReLU 활성화를 가진 은닉층 하나를 갖는 딥 네ural 네트워크가 버스 전압 크기와 세 개의 발전기 예측값을 조합한 23차원 입력 벡터를 처리한다.
• 모델은 복합 손실 함수 𝒟 = (모델 출력 − (L₁ + L₂))²를 최소화하며, 여기서 L₁은 예측 오차이고 L₂는 바이너리 혼잡도 페널티(혼잡 시 50, 否면 0)이다.
• 학습 데이터(4,500/4,900점)는 기상 및 부하 조건이 다양하게 변하는 20버스 네트워크에서 PSS/E 시뮬레이션을 통해 생성되었다.
• 모델은 Adam 최적화기를 사용하여 손실을 최소화하며, L₁은 L₂ 페널티의 크기와 균형을 이루기 위해 스케일링되었다.
• 세 발전기의 모든 부분집합이 평가되었으며, 모델은 각 부분집합에 대한 총 비용(오차 + 혼잡도)을 예측하는 데 학습되었다.
• 일반화 능력을 평가하기 위해 400개의 보류된 시뮬레이션 포인트에서 테스트 성능이 평가되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 경제적 손실을 최소화하기 위해 최적의 태양광 발전기 부분집합을 효과적으로 예측할 수 있는가?
• RQ2 신경망이 부분집합 선택의 경제적 발전 조정에서 새로운 부하 및 기상 조건에 대해 얼마나 잘 일반화되는가?
• RQ3 혼잡도 페널티를 통합할 경우 발전기 부분집합 선택의 경제적 및 운영적 신뢰성이 얼마나 향상되는가?
• RQ4 기계학습 모델이 변동성이 큰 재생 가능 에너지 통합 송전망 환경에서 전통적 최적화 방법을 능가할 수 있는가?

주요 결과

• 모델은 테스트 L₁ 손실 8을 기록하여 선택된 발전기 부분집합의 실제 전력 출력을 강력하게 일반화함을 보였다.
• 테스트 L₂ 손실은 59였으며, 이는 모델이 혼잡을 피하는 부분집합을 고정밀도로 식별할 수 있음을 반영한다.
• 학습 및 테스트 손실 곡선은 안정적인 수렴을 보였고, 과적합이 최소화되어 있어 새로운 데이터에 대한 강건성을 시사한다.
• 복합 손실 함수는 예측 정확도와 혼잡도 회피를 효과적으로 균형 잡아 경제적으로 최적의 부분집합 선택을 가능하게 하였다.
• 모델은 재생 가능 에너지원이 포함된 실시간 경제적 발전 조정 시스템에 적용 가능한 확장성과 실용성을 보였다.
• 결과는 스마트 그리드에서 딥러닝을 활용한 지능적인 발전기 부분집합 선택의 실현 가능성을 검증하였으며, 특히 변동성이 큰 태양광 발전 조건에서 유의미한 성과를 거두었다.