[논문 리뷰] Load Forecasting Based Distribution System Network Reconfiguration-A Distributed Data-Driven Approach

Yi Gu, Huaiguang Jiang외 4명|arXiv (Cornell University)|2017. 11. 29.

Energy Load and Power Forecasting참고 문헌 21인용 수 7

한 줄 요약

이 논문은 삼상 루프형 분포계통에서 단기 부하 예측 및 네트워크 재구성에 대해 분산형, 데이터 기반 접근법을 제안한다. 서포트 벡터 회귀(SVR)와 제2차원 콘형 풀이, ADMM 기반 분산 최적화를 통합함으로써, 시스템 손실을 최소화하기 위해 스위치 설정을 병렬 계산할 수 있으며, 평균 21.24%의 손실 감소를 달성하고 계산 시간은 30초로, 기존의 유전자 알고리즘 기반 방법을 뛰어넘는다.

ABSTRACT

In this paper, a short-term load forecasting approach based network reconfiguration is proposed in a parallel manner. Specifically, a support vector regression (SVR) based short-term load forecasting approach is designed to provide an accurate load prediction and benefit the network reconfiguration. Because of the nonconvexity of the three-phase balanced optimal power flow, a second-order cone program (SOCP) based approach is used to relax the optimal power flow problem. Then, the alternating direction method of multipliers (ADMM) is used to compute the optimal power flow in distributed manner. Considering the limited number of the switches and the increasing computation capability, the proposed network reconfiguration is solved in a parallel way. The numerical results demonstrate the feasible and effectiveness of the proposed approach.

연구 동기 및 목표

• 정적 부하 측정에 의존하지 않고 향후 부하 변동을 고려한 동적 실시간 네트워크 재구성 방법을 개발하기 위해.
• 부정확한 단기 부하 예측을 통합함으로써 시스템 손실 감소를 향상시키기 위해.
• 분산 최적화 기법을 사용하여 최적의 스위치 설정을 효율적으로 병렬 계산할 수 있도록 하기 위해.
• 볼록화 및 분산 ADMM 기반 해법을 통해 전통적 휴리스틱 방법의 국소 최적해 문제를 해결하기 위해.
• 현대 분포계통의 계산 능력 증가에 대응하여 계산 시간을 단축하고 확장성을 향상시키기 위해.

제안 방법

• MapReduce를 모델로 한 병렬 프레임워크에서 격자 탐색 알고리즘(GTA)과 입자 군집 최적화(PSO)를 사용한 SVR에 대한 이중 단계 하이퍼파rameter 최적화.
• 1시간 후 부하 프로파일을 예측하기 위해 가우시안 라디얼 기저 함수 커널을 사용한 서포트 벡터 회귀(SVR)를 활용한 단기 부하 예측.
• 삼상 균형 최적 전력 흐름(OPF) 문제를 제2차원 콘형 프로그래밍(SOCP)으로 풀어 볼록성과 해법 가능성 확보.
• 다중 계산 코어에서 병렬로 작동하는 분산 최적화를 위해 교대 방향 승수법(ADMM)을 적용하여 이완된 OPF 문제를 해결.
• 루프형 구조 제약 조건 하에서 모든 스위치 설정 조합을 병렬로 탐색하며, 각 설정은 독립적으로 ADMM를 사용해 해결.
• 예측된 부하 데이터를 OPF 모델에 통합하여 최소 시스템 손실을 위한 동적 네트워크 재구성 유도.

실험 결과

연구 질문

• RQ1 단기 부하 예측을 통합함으로써 분산형, 데이터 기반 접근법이 분포계통의 네트워크 재구성 정확도와 효율성을 향상시킬 수 있는가?
• RQ2 최적화된 하이퍼파rameter를 가진 SVR 기반 부하 예측은 정적 부하 입력에 비해 네트워크 재구성 성능을 얼마나 향상시키는가?
• RQ3 ADMM 기반 분산 최적화는 루프형 분포계통에서 해의 품질을 유지하면서 계산 시간을 얼마나 줄일 수 있는가?
• RQ4 부하 예측 정확도가 동적 네트워크 재구성에서 시스템 손실 감소에 미치는 영향은 어떠한가?
• RQ5 기존의 휴리스틱 또는 메타휴리스틱 방법(예: 유전자 알고리즘)과 비교했을 때 제안된 방법의 성능 및 확장성은 어떠한가?

주요 결과

• 제안된 방법은 모든 시험 시나리오에서 평균 시스템 손실 감소율 21.24%를 달성하여 기존의 유전자 알고리즘 기반 방법(17.87% 감소)을 뛰어넘었다.
• 제안된 분산 접근법을 사용해 계산 시간을 30초로 단축시켰으며, 기존의 유전자 알고리즘 방법은 107초가 소요되었다.
• 단기 부하 예측 모델은 평균 절대 퍼센트 오차(MAPE) 2.23%와 정규화된 제곱근 평균 제곱 오차(NRMSE) 4.03%를 달성했다.
• 예측 오차의 80% 이상이 ±3.1% 이내에 위치하여 높은 예측 신뢰성을 보였다.
• 부하 증가 시나리오에서는 평균 손실 감소율 24.13%를 기록했고, 부하 감소 시나리오에서는 18.35%를 기록하여 다양한 부하 변동에 대한 강건성을 입증했다.
• SOCP 풀이와 ADMM의 조합을 통해 빠른 수렴과 볼록성 제약 조건 하에서 최적 해 보장가능성을 확보했다.