[論文レビュー] Dynamic Energy Management

Nicholas Moehle, Enzo Busseti+2 more|arXiv (Cornell University)|Mar 14, 2019

Electric Power System Optimization被引用数 16

ひとこと要約

本稿では、予測誤差を扱うためにモデル予測制御（MPC）およびロバストMPCを用いて、リアルタイム制御を可能にする、凸最適化に基づく動的エネルギーマネジメントフレームワークを提示する。主な貢献は、経済的均衡と社会的最適性を保証する、統一的かつスケーラブルな手法であり、予測誤差がある場合でも、完璧な予測ベンチマークに非常に近い性能を示す。

ABSTRACT

We present a unified method, based on convex optimization, for managing the power produced and consumed by a network of devices over time. We start with the simple setting of optimizing power flows in a static network, and then proceed to the case of optimizing dynamic power flows, i.e., power flows that change with time over a horizon. We leverage this to develop a real-time control strategy, model predictive control, which at each time step solves a dynamic power flow optimization problem, using forecasts of future quantities such as demands, capacities, or prices, to choose the current power flow values. Finally, we consider a useful extension of model predictive control that explicitly accounts for uncertainty in the forecasts. We mirror our framework with an object-oriented software implementation, an open-source Python library for planning and controlling power flows at any scale. We demonstrate our method with various examples. Appendices give more detail about the package, and describe some basic but very effective methods for constructing forecasts from historical data.

研究の動機と目的

• 電力ネットワーク内の相互接続されたデバイスにおける動的潮流を統一的かつ凸最適化に基づいて管理するための手法を開発すること。
• 将来的な需要、価格、発電量の予測を用いて、現在の潮流最適化を実現するためのリアルタイム制御を可能にするモデル予測制御（MPC）を実装すること。
• 予測の不確実性を扱うために、スコアメントベースのロバスト最適化を用いてMPCを拡張し、複数のシナリオ間で最初の時間ステップの意思決定が一致することを保証すること。
• すべてのデバイスに対して収支がゼロとなる利益最大化の支払いスキームを可能にする、ロケーションマージナルプライスを計算すること。
• スケーラブルな電力ネットワークモデリングおよび最適化を可能にする、オープンソースのオブジェクト指向Pythonライブラリ（cvxpower）を提供すること。

提案手法

• 有限時間区間における凸問題として動的潮流最適化を定式化し、デバイス制約、潮流バランス、ランプレートを組み込む。
• モデル予測制御（MPC）を採用し、各時間ステップで予測を用いた有限区間最適化問題を解き、そのうち最初のステップのみを実行する。
• S個の不確実な予測シナリオを考慮することでMPCをロバストMPCに拡張し、すべてのシナリオにおいて最初の時間ステップの潮流が同一であることを制約条件に含める。
• 最初の時間ステップの意思決定を共有するスコアメントベースのロバスト最適化定式化を用い、不確実性下での期待コストを最小化する。
• 潮流バランス制約の双対変数を用いてロケーションマージナルプライスを計算し、収支がゼロとなる利益最大化の支払いメカニズムを実現する。
• オブジェクト指向設計を用いてデバイスおよびネットワークの複雑性を抽象化した、cvxpowerというオープンソースPythonライブラリとしてフレームワークを実装する。

実験結果

リサーチクエスチョン

• RQ1 凸最適化フレームワークは、多様なネットワークデバイスにわたる静的および動的潮流管理を統一的に可能にするか？
• RQ2 予測が不確実な状況下でも、モデル予測制御はリアルタイムエネルギーマネジメントにおいてどの程度の性能を示すか？
• RQ3 複数の予測シナリオを用いたロバストMPCは、決定論的MPCに比べて不確実性下での制御性能を顕著に向上させるか？
• RQ4 計算されたロケーションマージナルプライスは、各デバイスが期待利益を最大化する経済的均衡を実現するか？
• RQ5 風力発電予測が不正確であっても、ロバストMPCの性能は完璧な予測に基づくMPCにどの程度近づくか？

主な発見

• 20個のシナリオを用いたロバストMPCは、コスト3,291ドルを達成し、決定論的最適潮流（DOPF）の3,269ドルに非常に近い水準に達しており、予測誤差がある中でもほぼ最適性を示している。
• 風力発電所の合計支払いは、MPC時の-115.3千ドルからロバストMPC時の-98.1千ドルに減少し、不確実性下での可変再生可能エネルギー依存度の低下を示している。
• 蓄電デバイスの支払いは、MPC時の-36.0千ドルからロバストMPC時の-48.9千ドルに増加しており、不確実性管理における価値の向上を反映している。
• ガス発電所の支払いは、MPC時の-122.3千ドルからロバストMPC時の-104.5千ドルに減少し、不確実性下で蓄電および再生可能エネルギーの利用が増加したことによるディスpatchの削減を示している。
• 負荷の合計支払いは、ロバストMPC時の251.6千ドルからMPC時の273.6千ドルに減少しており、ネット需要のばらつき低減と整合的である。
• フレームワークは、計算された価格のもとで各デバイスが期待利益を最大化することを保証しており、経済的均衡の存在を確認している。