[논문 리뷰] Probabilistic Forecasting and Simulation of Electricity Markets via Online Dictionary Learning

Weisi Deng, Yuting Ji외 1명|arXiv (Cornell University)|2016. 06. 25.

Energy Load and Power Forecasting참고 문헌 15인용 수 7

한 줄 요약

이 논문은 실시간 전력시장의 확률적 예측 및 시뮬레이션을 위한 온라인 사전학습(ODL) 방법을 제안한다. 이 방법은 몬테카를로 방법에 비해 계산 시간을 크게 줄이기 위해 파arametric DC 최적 운용 전력 흐름(DCOPF)의 구조를 활용한다. 이 접근법은 실시간 측정치와 역사적 데이터로부터 희소 표현을 학습함으로써 현장 마진 가격(LMP), 전력 흐름 및 디스패치 수준의 공동 및 주변 분포를 신속하고 적응형으로 예측할 수 있게 하여, 정확도를 유지하면서도 계산 속도를 수개의 주기 이상 빠르게 한다.

ABSTRACT

The problem of probabilistic forecasting and online simulation of real-time electricity market with stochastic generation and demand is considered. By exploiting the parametric structure of the direct current optimal power flow, a new technique based on online dictionary learning (ODL) is proposed. The ODL approach incorporates real-time measurements and historical traces to produce forecasts of joint and marginal probability distributions of future locational marginal prices, power flows, and dispatch levels, conditional on the system state at the time of forecasting. Compared with standard Monte Carlo simulation techniques, the ODL approach offers several orders of magnitude improvement in computation time, making it feasible for online forecasting of market operations. Numerical simulations on large and moderate size power systems illustrate its performance and complexity features and its potential as a tool for system operators.

연구 동기 및 목표

• 확률적 재생 가능 에너지 발전 및 부하 변화를 고려한 대규모 전력 시스템에서 실시간 확률적 예측의 계산 비용 문제를 해결하기 위해.
• 현재 시스템 상태와 실시간 측정치를 기반으로 LMP, 전력 흐름 및 디스패치 수준의 조건부 확률 분포를 생성하는 온라인 방법을 개발하기 위해.
• 전력 시스템에서의 확률적 예측을 위한 전통적 몬테카를로 시뮬레이션의 높은 계산 비용을 줄이기 위해.
• 특히 급격한 램프 이벤트 동안 시스템 운영자가 불확실성 하에서 실시간 시뮬레이션과 예측을 수행할 수 있도록 하기 위해.
• DCOPF의 파arametric 구조를 활용하여 주요 운영 영역에서 시스템 행동의 압축되고 적응 가능한 표현을 학습하기 위해.

제안 방법

• 이 방법은 실시간 측정치와 역사적 데이터로부터 파arametric DCOPF 해의 구조를 희소 표현으로 학습하기 위해 온라인 사전학습(ODL)을 사용한다.
• ODL은 LMP 및 전력 흐름과 같은 시스템 변수의 주요 패턴을 나타내는 기저 벡터의 사전을 적응적으로 업데이트한다.
• 이 방법은 랜덤 변수(예: 부하 및 발전)의 조각별 선형 함수로 시스템을 모델링하며, DCOPF에서의 유한한 구속 조건이 정의하는 중요한 영역을 기반으로 한다.
• 몬테카를로 시뮬레이션에서 자주 발생하는 주요 영역만을 식별함으로써, 모든 시뮬레이션 경로에 대해 전체 DCOPF를 다시 풀지 않아도 된다.
• 학습된 사전은 각 실현치마다 다시 DCOPF를 풀지 않고도 시장 변수의 공동 및 주변 확률 분포를 신속하게 예측할 수 있도록 한다.
• 신규 측정치가 도착함에 따라 알고리즘이 사전을 동적으로 업데이트함으로써, 변화하는 시스템 조건과 부하 프로파일에 적응할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 온라인 사전학습을 사용하여 LMP 및 전력 흐름과 같은 주요 전력시장 변수의 공동 및 주변 확률 분포를 효율적으로 근사할 수 있는가?
• RQ2 제안된 ODL 기반 방법은 전력 시스템에서의 확률적 예측을 위한 표준 몬테카를로 시뮬레이션에 비해 계산 비용을 어떻게 줄이는가?
• RQ3 특히 '덕 커브' 현상과 같은 비정상적인 램프 이벤트 동안 LMP 및 전력 흐름의 분포적 행동은 어떠한가?
• RQ4 대규모 몬테카를로 시뮬레이션에서 파arametric DCOPF 해의 공간에서 실제로 활성화되는 주요 영역은 얼마나 되는가?
• RQ5 이 방법은 급격한 부하 램프와 같은 일시적 사건 동안 실시간으로 시스템 행동을 적응적으로 학습하고 표현할 수 있는가?

주요 결과

• 제안된 ODL 방법은 표준 몬테카를로 시뮬레이션에 비해 계산 시간을 수개의 주기 이상 감소시켜 실시간 확률적 예측의 가능성을 열었다.
• IEEE 118-bus 시스템에서 1,000회의 몬테카를로 시뮬레이션 동안 전체 가능한 주요 영역의 소수의 일부만 활성화되었으며, 이는 상당한 계산 절감 효과를 가져왔다.
• 정상 상태 운영 시(시간 T=55)에서 버스 94–95의 공동 LMP 분포는 단일 점 질량에 집중되어 있어 변동성이 낮고 가격이 안정적임을 나타낸다.
• 하향 램프 이벤트 동안(시간 T=142) 버스 94–95의 공동 LMP 분포는 두 개의 명확한 모드를 보였으며, 혼잡도로 인해 작은 가격 차이의 확률이 높고 큰 차이의 확률이 낮음을 반영한다.
• 급격한 상향 램프 이벤트 동안(시간 T=240) 버스 94–95의 LMP 분포는 네 가지 가능한 실현치를 보였으며, 약 50% 확률로 상당한 가격 차이가 발생함을 나타내어 높은 불확실성을 보였다.
• 특히 타이 라인에서 전력 흐름 분포는 정규분포가 아닌 다중모드 형태를 보였으며, 이는 예측에서 정규분포 가정의 한계를 드러낸다.