[논문 리뷰] Unit Commitment using Nearest Neighbor as a Short-Term Proxy

Gal Dalal, Elad Gilboa외 2명|arXiv (Cornell University)|2016. 11. 30.

Power System Optimization and Stability참고 문헌 14인용 수 9

한 줄 요약

이 논문은 장기 전력 시스템 계획을 가속화하기 위해 단기 유닛 커밋먼트(UC) 해법을 근사화하는 기계학습 프록시인 최근접 이웃 기반 유닛 커밋먼트(UCNN)를 제안한다. 계산 비용이 큰 MILP 기반 UC 문제를 반복적으로 해결하는 대신, UCNN은 사전에 계산된 훈련 데이터셋에서 최근접 이웃 검색을 통해 해법을 검색함으로써 평균 실행 시간을 81초에서 0.31초로 단축시킨다—IEEE-RTS96에서 상대 오차가 8% 미만인 3개의 주기수준 속도 향상 효과를 달성한다.

ABSTRACT

We devise the Unit Commitment Nearest Neighbor (UCNN) algorithm to be used as a proxy for quickly approximating outcomes of short-term decisions, to make tractable hierarchical long-term assessment and planning for large power systems. Experimental results on updated versions of IEEE-RTS79 and IEEE-RTS96 show high accuracy measured on operational cost, achieved in runtimes that are lower in several orders of magnitude than the traditional approach.

연구 동기 및 목표

• 반복적인 단기 UC 시뮬레이션을 수반하는 장기 전력 시스템 계획의 계산 비가용성 문제를 해결하기 위해.
• 계층적 장기 평가 과정에서 비용이 많이 들고 정확한 UC 솔버에 의존하는 것을 줄이기 위해 빠른 프록시 방법을 사용하기 위해.
• 불확실성 하에서 정전 스케줄 및 기타 장기 의사결정의 확장 가능하고 실행 가능한 평가를 가능하게 하기 위해.
• 학습된 최근접 이웃 프록시로부터 도출된 근사 해법이 비용 및 신뢰성 지표에서 높은 정확도를 유지할 수 있는지 입증하기 위해.

제안 방법

• 다양한 그룹 및 환경 조건(예: 부하, 풍력 예측, 네트워크 구조) 하에서 사전에 계산된 UC 해법의 대규모이고 다양한 훈련 데이터셋을 구축하기 위해.
• 장기 평가 중 새로운 조건에 대해 가장 유사한 사전 계산된 해법을 최근접 이웃 검색(예: KD-트리 등을 통해)으로 검색하기 위해.
• 부하, 재생 가능 에너지 발전 및 네트워크 구조를 포함한 특징 벡터로 각 시스템 상태를 표현하여 유사도 비교를 가능하게 하기 위해.
• 유사한 시스템 조건은 유사한 UC 결과를 산출한다는 가정을 활용하여, MILP 문제의 재해결 필요성을 줄이기 위해.
• 사전에 훈련 세트를 오프라인으로 또는 장기 수평 평가 중에 점진적으로 계산하여 프록시 커버리지 향상시키기 위해.
• 해당 프록시 해법을 전체 UC 문제를 해결하는 대체 수 Mittel로 사용하여 실행 시간을 크게 단축시키기 위해.

실험 결과

연구 질문

• RQ1 최근접 이웃 검색 기반 기계학습 프록시가 대규모 전력 시스템에서 단기 유닛 커밋먼트 결과를 효과적으로 근사화할 수 있는가?
• RQ2 UCNN은 전체 MILP 기반 UC 문제를 해결하는 것과 비교해 얼마나 많은 계산 시간을 절감하는가?
• RQ3 UCNN 예측은 정확한 UC 해법과 비교해 운영 비용 및 시스템 신뢰성 지표 측면에서 얼마나 정확한가?
• RQ4 UCNN 성능은 훈련 세트 크기와 네트워크 복잡성과 함께 어떻게 변화하는가?

주요 결과

• UCNN은 정확한 MILP 기반 UC 해법의 평균 실행 시간을 81초에서 0.31초로 단축시켜 3개의 주기수준 속도 향상을 달성한다.
• IEEE-RTS96에서 UCNN은 단지 1,000개의 훈련 샘플로도 비용 예측에 대해 8% 이하의 상대 오차를 기록한다.
• N-1 안전성 준수와 같은 신뢰성 지표에서도 정확한 해법과 강한 상관관계를 유지하며 낮은 상대 오차를 기록한다.
• UCNN의 실행 시간은 문제 복잡성과 관계없이 일정하게 유지되며, 정확한 UC 솔버는 N-1 안전성 제약 조건이 추가될 경우 10배 이상 실행 시간이 증가한다.
• 천 개 이상의 비용이 많이 드는 UC 해법을 빠른 검색 연산으로 대체함으로써 확장 가능한 장기 평가를 가능하게 한다.
• 더 큰 훈련 세트로 갈수록 UCNN 성능이 향상되며, 작고 중간 크기의 데이터셋으로도 IEEE-RTS96와 같은 더 큰 시스템에서도 효과적으로 작동한다.