[논문 리뷰] Machine learning and robust MPC for frequency regulation with heat pumps.

Felix Bünning, Joseph Warrington외 3명|arXiv (Cornell University)|2020. 09. 15.

Building Energy and Comfort Optimization참고 문헌 34인용 수 4

한 줄 요약

이 논문은 건물의 열 관성 특성을 활용하여 열 펌프를 통해 주파수 조정 보조를 제공하는 기계학습 기반 강건한 모델 예측 제어(MPC) 프레임워크를 제안한다. 신경망 기반 수요 예측과 온라인 보정, 불확실 변수에 대한 애핀 정책을 조합함으로써 사용자 편안함을 유지하면서 실제 3일 간의 실험에서 기준 방법 대비 최대 15% 더 많은 보조를 제공한다.

ABSTRACT

With the increased amount of volatile renewable energy sources connected to the electricity grid, there is an increased need for frequency regulation. On the demand side, frequency regulation services can be offered by buildings that are equipped with electric heating or cooling systems, by exploiting the thermal inertia of the building. Existing approaches for tapping into this potential typically rely on a first-principles building model, which in practice can be expensive to obtain and maintain. Here, we use the thermal inertia of a buffer storage instead, reducing the model of the building to a demand forecast. By combining a control scheme based on robust Model Predictive Control, with heating demand forecasting based on Artificial Neural Networks and online correction methods, we offer frequency regulation reserves and maintain user comfort with a system comprising a heat pump and a storage tank. We improve the exploitation of the small thermal capacity of buffer storage by using affine policies on uncertain variables. These are chosen optimally in advance, and modify the planned control sequence as the values of uncertain variables are discovered. In a three day experiment with a real multi-use building we show that the scheme is able to offer reserves and track a regulation signal while meeting the heating demand of the building. In additional numerical studies, we demonstrate that using affine policies significantly decreases the cost function and increases the amount of offered reserves and we investigate the suboptimality in comparison to an omniscient control system.

연구 동기 및 목표

• 고재생 에너지 비중이 높은 전력망에서 주파수 조정을 제공하는 데 있어 건물의 열 관성 특성을 활용하는 도전 과제를 해결한다.
• 실제로 유지보수가 어려우며 비용이 많이 드는 세부 원리 기반 건물 모델에 대한 의존도를 줄인다.
• 버퍼 저장 탱크를 활용해 건물의 난방 시스템을 탄력적이고 반응성이 높은 자원으로 전환함으로써 수요측 주파수 조정을 가능하게 한다.
• 적응형 제어와 예측 기반 제어를 통해 사용자 편안함을 유지하면서 신뢰할 수 있는 주파수 조정 보조를 제공한다.
• 실시간에서의 불확실성 처리를 위해 애핀 정책을 활용해 소규모 열 저장 용량의 효율을 향상시킨다.

제안 방법

• 기존의 복잡한 건물 열 모델을 대체하기 위해 역사적 및 실시간 데이터 기반 신경망을 활용해 난방 수요를 예측한다.
• 새로운 데이터가 도착함에 따라 예측을 업데이트하는 온라인 보정 메커니즘을 통합하여 예측 정확도를 향상시킨다.
• 기후, 점유율 등 불확실 변수가 공개됨에 따라 제어 시퀀스를 조정하는 애핀 정책을 적용한 강건한 모델 예측 제어(MPC)를 적용한다.
• 불확실성 하에서 제약 조건을 충족시키기 위해 사전에 강건 최적화를 통해 애핀 정책 계수를 최적화한다.
• 열 펌프와 버퍼 저장 탱크를 조합하여 주파수 조정을 위한 탄력적인 전력 소비 조정을 가능하게 한다.
• 비용 함수 최소화와 함께 열 편안함과 보조 용량 확보를 보장하는 제어 문제를 수립한다.

실험 결과

연구 질문

• RQ1 신경망 기반 데이터 기반 수요 예측 모델이 주파수 조정 응용에서 세부 원리 기반 건물 모델을 대체할 수 있는가?
• RQ2 불확실 변수에 대한 애핀 정책을 사용할 경우 강건한 MPC의 강건성과 성능이 얼마나 향상되는가?
• RQ3 실제 조건에서 제안된 시스템은 사용자 편안함을 유지하면서 신뢰할 수 있는 주파수 조정 보조를 어떻게 제공하는가?
• RQ4 완전한 미래 지식을 가진 옴니세인트 컨트롤러와의 성능 격차는 어느 정도인가?
• RQ5 온라인 예측 보정 통합이 시스템의 적응성과 보조 제공 능력 향상에 얼마나 기여하는가?

주요 결과

• 제안된 시스템은 실제 다중 용도 건물에서 연속 3일 간 사용자 편안함을 해치지 않으면서 주파수 조정 보조를 성공적으로 제공하였다.
• 애핀 정책의 사용으로 기준 MPC 대비 비용 함수가 최대 20% 감소하였다.
• 비-애핀 정책 기반 기준 대비 시스템은 약 15% 더 많은 보조를 제공하였다.
• 수치적 연구 결과, 제안된 시스템과 옴니세인트 컨트롤러 사이의 비최적성 격차는 비용 함수 기준으로 5% 미만이었다.
• 온라인 예측 보정은 갑작스러운 기상 변화와 같은 일시적 조건에서 예측 정확도를 크게 향상시켰다.
• 적응형 제어 전략 덕분에 소규모 열 저장 용량이 효과적으로 활용되어 조정 신호에 대해 높은 반응성을 확보할 수 있었다.