[論文レビュー] Machine learning and robust MPC for frequency regulation with heat pumps.

Felix Bünning, Joseph Warrington+3 more|arXiv (Cornell University)|Sep 15, 2020

Building Energy and Comfort Optimization参考文献 34被引用数 4

ひとこと要約

本論文は、建物のヒートポンプを用いて周波数制御 reserves を提供するために、バッファ貯蔵タンクの熱インertiaを活用する、機械学習を強化したロバストなモデル予測制御（MPC）フレームワークを提案する。ニューラルネットワークを用いた需要予測とオンライン補正、不確実な変数に対するアフィン方策を組み合わせることで、ユーザーの快適性を維持しながら、実世界の3日間の実験でベースライン手法に比べ最大15%多く reserves を提供した。

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.

研究の動機と目的

• 再生可能エネルギーの割合が高い電力系統における周波数制御の課題に対処するため、建物の熱インertiaを活用する。
• 実際の運用において高コストで保守が難しい詳細な第一原理的建物モデルへの依存を低減する。
• バッファ貯蔵タンクを用いて、建物の暖房システムを柔軟かつ応答性の高いリソースに変換することで、需要側周波数制御を可能にする。
• 適応制御と予測を用いることで、ユーザー快適性を維持しながら、信頼性の高い周波数制御 reserves を提供する。
• 不確実性をリアルタイムで扱うためにアフィン方策を用いることで、小さな熱蓄熱容量の効率を向上させる。

提案手法

• 歴史的およびリアルタイムのデータに基づいて、複雑な建物熱的モデルに代わる人工ニューラルネットワークを用いて暖房需要を予測する。
• 新しいデータが入手可能になると予測を更新するオンライン補正メカニズムを統合し、予測精度を向上させる。
• 不確実な変数（例：天候、占拠状況）が明らかになるにつれて制御シーケンスを調整するアフィン方策を用いたロバストモデル予測制御（MPC）を適用する。
• 不確実性下でも制約を満たすことを保証するために、事前にロバスト最適化を用いてアフィン方策の係数を最適化する。
• ヒートポンプとバッファ貯蔵タンクを組み合わせ、周波数制御に適した柔軟な電力消費調整を実現する。
• 熱的快適性と reserves の可用性を確保しながらコスト関数を最小化する制御問題を定式化する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークに基づくデータ駆動型需要予測モデルは、周波数制御用途において詳細な第一原理的建物モデルに置き換え可能か？
• RQ2 不確実な変数に対してアフィン方策を用いることで、建物ベースの周波数制御におけるMPCのロバスト性と性能はどの程度向上するか？
• RQ3 提案されたシステムは、実世界の条件下でユーザー快適性を維持しながら、信頼性のある周波数制御 reserves をどのように提供するか？
• RQ4 完全な将来情報を持つ「全知のコントローラー」と比較して、提案システムの性能ギャップはどの程度か？
• RQ5 オンライン予測補正の統合は、システムの適応性と reserves 提供能力をどの程度向上させるか？

主な発見

• 提案されたシステムは、実際の多目的建物において3日連続で周波数制御 reserves を提供したが、熱的快適性に影響を与えることなく実現した。
• アフィン方策の使用により、アフィン補正なしのベースラインMPCと比較してコスト関数が最大20%低減された。
• システムは、非アフィン方策ベースラインと比較して、提供可能な reserves の量を約15%増加させた。
• 数値的実験では、提案システムと全知のコントローラーとの間のサブ最適性ギャップが、コスト関数の観点で5%未満であった。
• オンライン予測補正は、急激な天候変化などの過渡状態において、予測精度を顕著に向上させた。
• 適応制御戦略のおかげで、小さな熱蓄熱容量が効果的に活用され、制御信号への高い応答性が達成された。