[논문 리뷰] Stochastic MPC for energy hubs using data driven demand forecasting

Varsha Behrunani, Francesco Micheli외 3명|arXiv (Cornell University)|2023. 01. 01.

Advanced Control Systems Optimization인용 수 1

한 줄 요약

이 논문은 전기 및 열 수요의 불확실성을 고려한 에너지 허브를 위한 확률적 모형 예측 제어(MPC) 프레임워크를 제안한다. 이 방법은 가우시안 프로세스(GP)-기반 데이터 기반 예측을 사용하여 불확실한 전기 및 열 수요를 예측한다. GP 모델에서 다단계 수요 경로를 샘플링하고 시나리오 접근법을 적용하여 확률 제약 조건을 가진 최적화 문제를 해결함으로써 제약 위반을 크게 줄이고 운영 비용은 낮게 유지한다. 실제 건물 데이터를 바탕으로 95% 신뢰 수준과 100개의 시나리오를 사용하여 근사 최적 성능을 입증하였다.

ABSTRACT

Energy hubs convert and distribute energy resources by combining different energy inputs through multiple conversion and storage components. The optimal operation of the energy hub exploits its flexibility to increase the energy efficiency and reduce the operational costs. However, uncertainties in the demand present challenges to energy hub optimization. In this paper, we propose a stochastic MPC controller to minimize energy costs using chance constraints for the uncertain electricity and thermal demands. Historical data is used to build a demand prediction model based on Gaussian processes to generate a forecast of the future electricity and heat demands. The stochastic optimization problem is solved via the Scenario Approach by sampling multi-step demand trajectories from the derived prediction model. The performance of the proposed predictor and of the stochastic controller is verified on a simulated energy hub model and demand data from a real building.

연구 동기 및 목표

• 에너지 허브 운영에서의 전기 및 열 수요의 불확실성 문제를 해결하기 위해.
• 고도화된 예측 제어를 통해 에너지 효율성을 향상시키고 운영 비용을 감소시키기 위해.
• 가우시안 프로세스를 사용하여 건물 에너지 수요의 불확실성을 포괄하는 데이터 기반 예측 모델을 개발하기 위해.
• 시나리오 접근법을 통해 예측 불확실성을 확률적 MPC 프레임워크에 통합하여 강건한 제어를 구현하기 위해.
• 실제 건물에서의 실측 수요 데이터와 시뮬레이션된 에너지 허브를 기반으로 제어기 성능을 검증하기 위해.

제안 방법

• 히스토리컬 데이터를 기반으로 가우시안 프로세스(GP) 모델을 훈련시켜 다단계 전기 및 열 수요를 불확실성 정량화와 함께 예측한다.
• GP 예측기는 시간 단위당 50개의 다단계 수요 경로 샘플을 생성하여 향후 수요의 불확실성을 표현한다.
• 확률 제약 조건을 포함한 확률적 MPC 문제를 설정하여 열 및 전기 출력 제한을 위반할 확률을 제한한다.
• 시나리오 접근법을 적용하여 GP 모델에서 경로를 샘플링함으로써 확률 제약 조건 문제를 결정론적 강건 최적화 문제로 변환한다.
• 해결된 최적화 문제를 각 제어 간격에서 실시간으로 풀어 CHP, 열 펌프, 보일러, 저장장치 및 PV 단위의 최적 배분을 도출한다.
• 제어기는 ETH 취리히 소재 ETZ 건물의 실측 수요 데이터와 함께 시뮬레이션된 에너지 허브를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 실제 건물에서 GP 기반 모델이 24시간 이내의 모든 예측 수평에서 다단계 전기 및 열 수요를 얼마나 정확하게 예측할 수 있는가?
• RQ2 완벽한 예측이 가능한 결정론적 MPC와 비교했을 때, 시나리오 기반의 확률적 MPC는 제약 위반을 얼마나 줄이는가?
• RQ3 샘플된 시나리오 수가 운영 비용과 제약 위반 확률 간의 트레이드오프에 어떤 영향을 미치는가?
• RQ4 제안된 프레임워크는 열 및 전기 하중 제약 조건을 95% 신뢰 수준으로 이행하면서 낮은 운영 비용을 유지할 수 있는가?
• RQ5 완벽한 수요 지식을 가진 베이스라인과 비교했을 때, 현실적인 불확실성 하에서 MPC 제어기는 어떻게 성능을 발휘하는가?

주요 결과

• GP 기반 예측은 24시간 이내의 모든 예측 수평에서 전기 수요의 중앙값 예측 오차를 ±5% 이내, 열 수요의 경우 ±10% 이내로 달성하였다.
• 100개의 시나리오를 사용했을 때 평균 운영 비용은 59.28 CHF/h로, 완벽한 예측 기반 베이스라인(59.01 CHF/h)과 매우 유사한 성능을 보였다.
• 3개의 시나리오에서 25%였던 제약 위반 수가 100개의 시나리오로 증가함에 따라 거의 0에 수렴했으며, 누적 위반 수는 80% 이상 감소하였다.
• 열 제약 위반의 경험적 분포를 분석한 결과, 시나리오 수를 3개에서 100개로 증가시킬 경우 위반의 심각도와 빈도가 급격히 감소하였다.
• MPC 제어기는 강건한 성능을 보였으며, 수요의 불확실성 하에서도 낮은 비용과 높은 신뢰성을 유지함으로써 시나리오 접근법의 효과성을 입증하였다.
• 단지 100개의 시나리오로도 95%의 제약 조건 이행 신뢰 수준을 확보함으로써, 이 방법의 실시간 제어에 대한 확장성과 실용성을 확인하였다.