[论文解读] Data-Driven Demand-Side Flexibility Quantification: Prediction and Approximation of Flexibility Envelopes

Nami Hekmat, Hanmin Cai+3 more|arXiv (Cornell University)|Oct 25, 2021

Smart Grid Energy Management参考文献 7被引用 4

一句话总结

该论文提出了一种数据驱动的流水线，通过用机器学习预测和灵活性包络的概率近似替代计算密集型优化，以减少实时需求侧灵活性量化中的计算和通信开销。采用AdaBoost进行预测，使用二维偏态正态分布进行近似，计算负载降低为原来的1/9，通信负载降低6.6倍，且精度较高（R² > 0.94）。

ABSTRACT

Real-time quantification of residential building energy flexibility is needed to enable a cost-efficient operation of active distribution grids. A promising means is to use the so-called flexibility envelope concept to represent the time-dependent and inter-temporally coupled flexibility potential. However, existing optimization-based quantification entails high computational burdens limiting flexibility utilization in real-time applications, and a more computationally efficient quantification approach is desired. Additionally, the communication of a flexibility envelope to system operators in its original form is data-intensive. In order to address the computational burdens, this paper first trains several machine learning models based on historical quantification results for online use. Subsequently, probability distribution functions are proposed to approximate the flexibility envelopes with significantly fewer parameters, which can be communicated to system operators instead of the original flexibility envelope. The results show that the most promising prediction and approximation approaches allow for a minimum reduction of the computational burden by a factor of 9 and of the communication load by a factor of 6.6, respectively.

研究动机与目标

• 解决基于优化方法进行实时灵活性包络量化的高计算负担问题。
• 减少向配电系统运营商传输灵活性包络数据的高数据量通信开销。
• 实现在主动配电网中住宅建筑灵活性的可扩展、实时协调。
• 开发一种实用的、低延迟的流水线，用于在线灵活性量化与报告。
• 通过用训练好的机器学习模型和紧凑的概率表示替代重复优化，提升可扩展性。

提出的方法

• 在历史灵活性包络数据上训练机器学习模型（AdaBoost、SVM、KNN、SVR、GMM），以在线预测未来的包络。
• 使用概率密度函数——特别是正态分布、偏态正态分布和高斯混合分布的二维和三维变体——以最少的参数近似灵活性包络。
• 采用两阶段流水线：首先使用机器学习模型预测包络，然后使用拟合最佳的PDF进行近似，以最小化数据传输量。
• 使用平均绝对误差（MAE）和R²分数等指标优化模型选择，以评估预测和近似的准确性。
• 将性能最佳的预测和近似模型集成到混合流水线中，实现端到端效率。
• 使用基准模型（直接优化）作为性能比较的基线。

实验结果

研究问题

• RQ1 与重复优化相比，机器学习模型能否以显著降低的计算成本准确预测未来的灵活性包络？
• RQ2 概率密度函数能否仅用少量超参数有效近似完整的灵活性包络？
• RQ3 在用参数化PDF替代原始包络数据时，预测精度与通信效率之间的权衡如何？
• RQ4 不同机器学习模型和PDF变体在预测与近似性能方面有何差异？
• RQ5 结合最佳预测与近似模型的混合流水线能否同时实现低计算负载和高保真度？

主要发现

• 基于AdaBoost的预测模型相比原始优化方法，将计算负担降低了9倍。
• 二维偏态正态分布（SND）近似方法相比传输完整包络，将通信负载降低了6.6倍。
• 最佳预测模型（AdaBoost）的MAE为21分钟，R²得分为0.95，显著优于基线模型（MAE：93分钟，R²：0.79）。
• 最佳近似模型（2D-SND）的R²得分为0.99，MAE为25分钟，表明其在极少参数下仍具有高保真度。
• 组合流水线（AdaBoost预测 + 2D-SND近似）的MAE为35分钟，R²得分为0.94，表明误差并未呈累加性增长。
• 一种在不同功率水平下切换使用AdaBoost、SVM和KNN的混合模型，预测精度略有提升，MAE为31分钟，R²得分为0.95。