[논문 리뷰] Optimal Two-Tier Forecasting Power Generation Model in Smart Grids

Kianoosh G. Boroojeni, Shekoufeh Mokhtari외 2명|arXiv (Cornell University)|2015. 02. 02.

Energy Load and Power Forecasting참고 문헌 25인용 수 23

한 줄 요약

이 논문은 스마트 그라이드의 주거용 전력 수요 및 분산형 재생 가능 에너지 발전을 정확하게 예측하기 위해 장기적 최대우도추정(MLE)과 실시간 ARIMA 모델링을 조합한 이중 계층 예측 모델을 제안한다. ARIMA에 의해 유도되는 가우시안 화이트 노이즈 오차를 대체하기 위해 대규모 발전을 활용함으로써, 특히 재생 가능 에너지 비중이 높은 상황에서 시스템의 충분성과 신뢰성을 향상시킨다.

ABSTRACT

There has been an increasing trend in the electric power system from a centralized generation-driven grid to a more reliable, environmental friendly, and customer-driven grid. One of the most important issues which the designers of smart grids need to deal with is to forecast the fluctuations of power demand and generation in order to make the power system facilities more flexible to the variable nature of renewable power resources and demand-side. This paper proposes a novel two-tier scheme for forecasting the power demand and generation in a general residential electrical gird which uses the distributed renewable resources as the primary energy resource. The proposed forecasting scheme has two tiers: long-term demand/generation forecaster which is based on Maximum-Likelihood Estimator (MLE) and real-time demand/generation forecaster which is based on Auto-Regressive Integrated Moving-Average (ARIMA) model. The paper also shows that how bulk generation improves the adequacy of proposed residential system by canceling-out the forecasters estimation errors which are in the form of Gaussian White noises.

연구 동기 및 목표

• 주거용 스마트 그라이드에서 변동성이 큰 전력 수요와 간헐적인 분산형 재생 가능 에너지 발전을 예측하는 데 도전하는 것.
• 단기 모델의 예측 오차에 대비해 시스템의 충분성과 신뢰성을 향상시키는 것.
• ARIMA 예측의 추정 노이즈를 상쇄하기 위해 대규모 발전을 교정 메커니즘으로 통합하는 것.
• 분산형, 재생 가능 에너지 기반 전력 시스템에서 장기적 에너지 수요 충족과 실시간 안정성을 확보하는 것.
• 고객 중심의 스마트 그라이드에서 수요 및 발전 예측을 위한 확장 가능하고 강건한 프레임워크 제공

제안 방법

• 장기 예측을 위해 최대우도추정(MLE)을, 실시간 예측을 위해 ARIMA 모델을 사용하는 이중 계층 예측 아키텍처를 도입한다.
• 예측 오차를 가우시안 화이트 노이즈 과정으로 모델링하며, 스케일된 위너 과정 $\mathcal{W}_t$로 표현한다.
• 시스템 충분성 비율 $\rho_q(0,t)$를 시간 $t$ 동안 저축된 에너지가 임계값 $s_q - \lambda$를 초과할 확률로 정의한다.
• 위너 과정의 누적 최대값을 사용하여 충분성의 하한을 유도한다: $\rho_q(0,t) \geq \text{erf}\left(\frac{\lambda}{\sqrt{2t\sigma^2}}\right)$, 여기서 $\sigma^2 = \sigma_g^2 + \sigma_d^2$.
• 저축된 에너지가 $s_q - \lambda$ 이하로 떨어지면 지역 부하 관리 장치(LLMU)가 대규모 발전 요청을 활성화한다.
• 에너지 흐름을 동적으로 분배한다: 수요가 발전을 초과할 경우 우선 고객에게 직접 공급하고, 그렇지 않으면 여유 에너지를 저축소에 유도한다.

실험 결과

연구 질문

• RQ1 장기 예측과 실시간 예측을 어떻게 통합하여 주거용 스마트 그라이드에서 정확도를 향상시킬 수 있는가?
• RQ2 ARIMA 기반 단기 예측은 얼마나 심각한 오차를 유발하여 시스템의 충분성을 위협하는가?
• RQ3 대규모 발전이 ARIMA에 의해 유도된 가우시안 화이트 노이즈 오차를 효과적으로 상쇄시킬 수 있는가?
• RQ4 확률적 예측 오차 하에서 시스템 충분성의 이론적 하한은 무엇인가?
• RQ5 분산형 지역 부하 관리 장치(LLMU)는 대규모 발전을 백업 수 Mittel로 활용하여 신뢰성을 어떻게 확보할 수 있는가?

주요 결과

• MLE를 장기 예측, ARIMA를 실시간 예측에 사용하는 이중 계층 예측 모델은 수요 및 분산형 발전 예측 정확도를 크게 향상시킨다.
• ARIMA 모델의 예측 오차는 가우시안 화이트 노이즈로 나타나며, 이는 에너지 저장 시스템의 불안정성과 시스템 충분성 저하를 초래할 수 있다.
• 시스템 충분성 비율 $\rho_q(0,t)$는 오차 함수 $\text{erf}\left(\frac{\lambda}{\sqrt{2t\sigma^2}}\right)$로 하한이 보장되어 있어 이론적 신뢰성 보장을 제공한다.
• 대규모 발전은 단기 예측 노이즈를 효과적으로 상쇄시켜 에너지 균형을 복구하고 서비스 장애를 방지한다.
• DRRs만 에너지 공급원일 경우, 장기 수요가 충족되더라도 예측 오차가 보완되지 않아 시스템 충분성이 시간이 지남에 따라 악화된다.
• LLMU 알고리즘은 저에너지 상태를 성공적으로 탐지하고 시스템 신뢰성을 유지하기 위해 적시에 대규모 발전 요청을 활성화한다.