[논문 리뷰] Toward Value-oriented Renewable Energy Forecasting: An Iterative Learning Approach

Yufan Zhang, Mengshuo Jia외 3명|arXiv (Cornell University)|2023. 09. 02.

Electric Power System Optimization인용 수 6

한 줄 요약

이 논문은 이중 최적화 문제로 예측 모델 훈련을 공식화함으로써 예측 모델의 파라미터를 최적화하여 일일 및 실시간 조정의 기대 두 단계 운영 비용을 최소화하는 가치 중심의 점 예측 방법을 제안한다. 이 방법은 반복적으로 예측을 운영 결과에 맞추어 조정함으로써 통계적 정확도 중심의 방법보다 15 % 낮은 총 비용을 달성하면서도 확률적 프로그래밍보다 4,500배 빠른 속도를 제공한다.

ABSTRACT

Energy forecasting is an essential task in power system operations. Operators usually issue forecasts and leverage them to schedule energy dispatch ahead of time. However, forecast models are typically developed in a way that overlooks the operational value of the forecasts. To bridge the gap, we design a value-oriented point forecasting approach for sequential energy dispatch problems with renewable energy sources. At the training phase, we align the loss function with the overall operation cost function, thereby achieving reduced operation costs. The forecast model parameter estimation is formulated as a bilevel program. Under mild assumptions, we convert the upper-level objective into an equivalent form using the dual solutions obtained from the lower-level operation problems. Additionally, a novel iterative solution strategy is proposed for the newly formulated bilevel program. Under such an iterative scheme, we show that the upper-level objective is locally linear regarding the forecast model output, and can act as the loss function. Numerical experiments demonstrate that, compared to commonly used statistical quality-oriented point forecasting methods, forecasts obtained by the proposed approach result in lower operation costs. Meanwhile, the proposed approach is more computationally efficient than traditional two-stage stochastic programs.

연구 동기 및 목표

• 전력 시스템 조정에서 통계적으로 정확한 예측과 실제 운영 가치 사이의 격차를 해소하기 위해.
• 일일 및 실시간 에너지 조정에서 기대 운영 비용을 낮추기 위해 직접 최적화하는 예측 프레임워크를 개발하기 위해.
• 표준 '예측한 후 최적화' 기반의 전력 시스템과 호환되면서도 계산 효율성이 높은 예측을 가능하게 하기 위해.
• 운영 비용을 최적화하기 위해 예측된 결과가 통계적 정확도를 최적화한 예측보다 우수함을 입증하기 위해, 특히 풍력 비중이 높은 상황에서의 성능을 강조하기 위해.
• 이중 최적화를 통해 예측 모델 파라미터를 운영 결과와 연결하는 확장 가능하고 반복적인 훈련 프레임워크를 구축하기 위해.

제안 방법

• 예측 모델 훈련을 이중 최적화 문제로 공식화함: 상위 수준은 기대 두 단계 운영 비용을 최소화하기 위해 모델 파라미터를 최적화하고, 하위 수준은 예측 결과를 입력으로 사용하여 일일 및 실시간 조정 문제를 해결함.
• 상위 수준의 손실 함수를 하위 수준 최적화에서 반환된 최적 운영 비용에서 유도하는 반복적 해법 전략을 사용함.
• 상위 수준 목표 함수가 예측 모델 출력에 대해 局부 선형성을 가지며, 이는 기울기 기반 최적화를 가능하게 함.
• 예측 기반 비용과 진짜 실현 기반 비용 간의 회복 손실을 바탕으로 한 서브티튜트 손실 함수를 사용하여 효율적인 훈련을 가능하게 함.
• 일일 및 실시간 단계 모두에 선형 프로그래밍(LP) 공식화를 적용하여 중심 집중식 풍력 발전 조정 문제에 적용함.
• 하위 수준 조정 문제를 풀고 기울기 강하를 통해 예측 모델 파라미터를 갱신하는 방식으로 이중 최적화 문제를 반복적으로 해결함.

Figure 1: The timeline of the decisions made at day-ahead and real-time stages, for each time-slot $t+k+i,\forall i=0,...,23$ on the day $d+1$ , where the time index is dropped for notational simplicity. The day-ahead decisions are determined at time $t$ on day $d$ (e.g. 10 am) based on the forecast

실험 결과

연구 질문

• RQ1 운영 비용을 최소화하기 위해 훈련된 예측 모델이 실제 조정 문제에서 전통적인 정확도 중심의 예측보다 우수한가?
• RQ2 제안된 가치 중심의 예측 접근법은 두 단계 확률적 프로그래밍 대비 계산 효율성에서 어떻게 비교되는가?
• RQ3 두 단계 조정에서 예측 정확도(RMSE로 측정)와 운영 비용 감소 사이의 상호 보완 관계는 어느 정도인가?
• RQ4 반복적인 이중 최적화 학습 프레임워크는 다수의 시간 주기 동안 예측 출력을 최적의 조정 결정에 효과적으로 맞출 수 있는가?
• RQ5 제안된 방법은 전체 확률적 최적화가 필요 없이도 높은 재생 가능 에너지 비중 하에서도 낮은 운영 비용을 유지할 수 있는가?

주요 결과

• 제안된 방법은 RMSE가 더 높음에도 불구하고 정확도 중심의 예측 방법보다 평균 총 운영 비용을 15 % 감소시킴.
• 제안된 방법은 평균 운영 비용이 $2,036로, 확률적 프로그래밍의 $2,051보다 우수한 비용 성능을 보임.
• 계산 시간은 확률적 프로그래밍의 17.8초에서 제안된 방법의 3.99ms로 단축되어 4,500배 빠른 성능 향상.
• 제안된 방법에서는 평균 일일 비용이 $2,106로, 확률적 프로그래밍의 $2,201보다 낮아 더 효율적인 스케줄링을 의미함.
• 실시간 비용은 제안된 방법에서 $-70으로 음수를 기록하여 효과적인 보정과 보상 감소를 나타내며, 확률적 프로그래밍의 $-150보다 유리함.
• 예측 출력에 대해 손실 함수의 국소 선형성을 유지함으로써 기울기 강하를 통한 안정적이고 효율적인 최적화를 가능하게 함.

Figure 2: The routes of training a model for value-oriented forecasting