[논문 리뷰] Predict+Optimize Problem in Renewable Energy Scheduling

Christoph Bergmeir, Frits de Nijs외 26명|arXiv (Cornell University)|2022. 12. 21.

Energy Load and Power Forecasting인용 수 4

한 줄 요약

이 논문은 모나시 마이크로그리드에서 확보한 데이터를 바탕으로 IEEE-CIS 기술 챌린지의 예측+최적화 문제에 대한 최고의 솔루션을 평가한다. 태양광 발전 및 건물 전력 수요를 예측하기 위해 기울기 부스팅 트리와 랜덤 포레스트를 조합한 하이브리드 접근법을 제안하고, 표본 평균 근사법을 사용한 고정-최적화 MIP 전략을 적용하여 불확실성 하에서 에너지 스케줄링의 비용을 크게 감소시켰다.

ABSTRACT

Predict+Optimize frameworks integrate forecasting and optimization to address real-world challenges such as renewable energy scheduling, where variability and uncertainty are critical factors. This paper benchmarks solutions from the IEEE-CIS Technical Challenge on Predict+Optimize for Renewable Energy Scheduling, focusing on forecasting renewable production and demand and optimizing energy cost. The competition attracted 49 participants in total. The top-ranked method employed stochastic optimization using LightGBM ensembles, and achieved at least a 2% reduction in energy costs compared to deterministic approaches, demonstrating that the most accurate point forecast does not necessarily guarantee the best performance in downstream optimization. The published data and problem setting establish a benchmark for further research into integrated forecasting-optimization methods for energy systems, highlighting the importance of considering forecast uncertainty in optimization models to achieve cost-effective and reliable energy management. The novelty of this work lies in its comprehensive evaluation of Predict+Optimize methodologies applied to a real-world renewable energy scheduling problem, providing insights into the scalability, generalizability, and effectiveness of the proposed solutions. Potential applications extend beyond energy systems to any domain requiring integrated forecasting and optimization, such as supply chain management, transportation planning, and financial portfolio optimization.

연구 동기 및 목표

• 불확실성 하에서 예측과 최적화의 통합을 해결한다.
• 실세계 마이크로그리드 데이터를 활용해 예측+최적화 패러다임에 대한 벤치마크를 제공한다.
• 비용 최소화를 위한 예측과 스케줄링을 동시에 최적화하는 최신 기법들을 평가하고 비교한다.
• 기존의 두 단계 파ip라인에 비해 종단 간 또는 통합된 예측-최적화 접근법의 우수성을 입증한다.
• 실제 구현에서의 실용적 과제, 예를 들어 시나리오 선택, 모델의 강인성, 계산 효율성 등을 부각시킨다.

제안 방법

• 기상 및 캘린더 특징을 사용하여 태양광 발전 및 건물 전력 수요를 예측하기 위해 기울기 부스팅 트리와 랜덤 포레스트를 사용한다.
• 예측의 경계 확률 밀도를 추정하기 위해 랜덤 포레스트를 활용한 분위수 회귀를 적용하여 시나리오 생성에 활용한다.
• 혼합정수계획법(MIP)에서 일부 변수를 고정하는 방식으로 반복적으로 해를 개선하는 고정-최적화 히우리스틱을 적용한다.
• 다양한 예측 시나리오를 고려하여 기대 비용을 최소화하기 위해 표본 평균 근사법(SAA)을 구현한다.
• 해결 품질과 실행 시간의 균형을 맞추기 위해 Gurobi를 사용하여 최적화 문제를 풀며 시간 제한과 최적성 갭 제약 조건을 적용한다.
• 수렴을 향상시키기 위해 활동 샘플링(각 반복에서 10개의 반복적, 5개의 비반복적)을 사용한 반복적 국소 탐색과 인내심 기반의 조기 정지 전략을 구현한다.

실험 결과

연구 질문

• RQ1 예측+최적화 통합 방법은 재생 가능 에너지 스케줄링에서 기존의 두 단계 예측-최적화 파이프라인에 비해 어떻게 비교되는가?
• RQ2 특히 한 건물의 예측 결과에 기반한 시나리오 생성 품질이 최종 스케줄링 비용에 어떤 영향을 미치는가?
• RQ3 고정-최적화 히우리스틱은 전체 MIP 해법에 비해 해의 품질과 속도를 어느 정도 향상시키는가?
• RQ4 다양한 예측 모델(XGBoost, 랜덤 포레스트 등)이 에너지 스케줄링의 후속 최적화 성능에 어떤 영향을 미치는가?
• RQ5 실세계 마이크로그리드 운영 환경에서 강인하고 확장 가능한 예측+최적화 시스템을 구현할 때의 주요 병목 현상은 무엇인가?

주요 결과

• 우승한 방법은 표본 평균 근사법을 활용해 여러 예측 시나리오를 동시에 고려하여 상당한 비용 절감을 달성했다.
• 기울기 부스팅 트리와 랜덤 포레스트가 데이터셋 전반에서 태양광 발전 및 건물 수요 예측에서 가장 높은 정확도를 보였다.
• 고정-최적화 접근법은 특히 큰 문제 인스턴스에서 최종 비용을 크게 감소시켰으며, 목적 함수 값의 변화 추세에서 개선 효과가 명확히 드러났다.
• 최적화 단계는 전체 MIP의 해 품질에 의해 제한되어 있었으며, 더 나은 MIP 수식 설계가 결과 향상에 기여할 수 있음을 시사했다.
• 단지 건물 3번의 예측 밀도에 기반한 시나리오는 일반화 능력에 한계가 있었고, 다양한 자료 간 상관관계를 통합할 경우 성능 향상이 가능할 수 있었다.
• 모델링 오류와 단계 2 동안 최적화 창의 일치하지 않음으로 인해 평가에 지장을 주었으며, 실세계 구현에서는 강인하고 모듈화된 코드가 필수적임을 시사했다.