[논문 리뷰] Stochastic Virtual Power Plant Dispatch via Temporally Aggregated Distributed Predictive Control with Performance Guarantees

Luca Santosuosso, Fei Teng외 1명|arXiv (Cornell University)|2026. 03. 19.

Smart Grid Energy Management인용 수 0

한 줄 요약

논문은 확률적 MPC 프레임워크를 통해 가상 발전소의 디스패치를 구현하며, 시간적으로 집계된 모델링과 분산 최적화(ADMM)를 결합하고 성능 보장을 제공한다. 불확실성 하에서 대규모 VPP에 대해 계산 비용을 크게 절감하되 실용 가능성을 유지한다.

ABSTRACT

This paper addresses the energy dispatch of a virtual power plant comprising renewable generation, energy storage, and thermal units under uncertainty in renewable output, energy prices, and energy demand. The nonlinear dynamics and multiple sources of uncertainty render traditional stochastic model predictive control (MPC) computationally intractable as the dispatch horizon, scenario set, and asset portfolio expand. To overcome this limitation, we propose a novel controller that seamlessly integrates MPC with time series aggregation and distributed optimization, simultaneously reducing the temporal, asset, and scenario dimensions of the problem. The resulting controller provides a rigorous performance guarantee through theoretically validated bounds on its approximation error, while leveraging dual information from previous MPC iterations to adaptively optimize the temporal aggregation. Numerical results show that the proposed controller reduces runtime by over 50% relative to traditional stochastic MPC and, crucially, restores tractability where the full-scale dispatch model proves intractable.

연구 동기 및 목표

• 재생에너지, 가격, 수요 등 불확실성 하에서 실시간 VPP 디스패치를 개선하기 위한 동기를 제시한다.
• MPC, 시간적으로 집계된 모델링 및 분산 최적화를 통합하는 확장 가능한 제어 프레임워크를 개발한다.
• 전력계 전체 목적함수에 대한 엄밀한 하한/상한 보장을 제공하여 근사 오차를 정량화한다.

제안 방법

• VPP 디스패치를 QCQP로 수식화하고 확률적 MPC를 통해 해결한다.
• 클러스터 기반 표현을 가진 시간적 집계(TSA)를 사용하여 예측 기간을 축소한다.
• 합의 ADMM을 이용해 자산 및 시나리오 전반에 걸쳐 집계된 문제를 분해한다.
• 이전 MPC 이터레이션으로부터의 쌍대 정보를 활용한 사후 TSA를 도입하여 집계를 안내한다.
• 전력계 전체 목적함수에 대한 하한을 제공하고 성능 보장을 위한 상한을 계산하는 알고리즘을 제시한다.

Figure 1: Illustration of the proposed methodology for real-time energy dispatch of a VPP under uncertainty.

실험 결과

연구 질문

• RQ1 MPC 기반 VPP 디스패치가 재생에너지, 수요, 가격의 불확실성을 지나치게 큰 계산 없이 어떻게 처리할 수 있는가?
• RQ2 시간적 집계와 분산 최적화를 결합하여 해의 품질을 보존하면서 실행 시간을 줄일 수 있는가?
• RQ3 QCQP 기반 VPP 디스패치에서 시간적 집계로 인한 근사 오차에 대해 어떤 보장을 확립할 수 있는가?
• RQ4 과거 이터레이션의 듀얼 정보를 사용하면 VPP를 위한 MPC에서 정확하거나 근사 정확한 시간적 집계를 가능하게 하는가?

주요 결과

• 제안된 제어기가 기존의 확률적 MPC에 비해 실행 시간을 50% 이상 감소시킨다.
• QCQP, 시간 가변 매개변수 및 기간 간 제약에도 불구하고 전체 규모 목적 함수에 대한 엄밀한 하한을 제공한다.
• 전력계 전체 목적 함수에 대한 상한을 계산하는 알고리즘이 제공되어 최적성 간격에 대한 경계가 가능해진다.
• 폐루프, 사후 TSA 접 접근은 과거 MPC 반복을 이용하여 듀얼 정보를 활용하면 전체 규모 해를 정확히 재현하는 시간적 집계 제어기를 얻을 수 있다.
• 통합 접근 방식은 자산, 시나리오 및 시간 차원을 동시에 다루어 대규모 VPP 디스패치에 대한 처리 가능성을 회복한다.

Figure 2: Illustration of the sliding window clustering technique.