Distributionally Robust Model Predictive Control for Virtual Power Plants

技術概要：仮想発電所向けの分布ロバストモデル予測制御

問題定義
仮想発電所（VPP）は、制御可能な電源と非制御可能な電源、住宅ビル、蓄電池を統合し、電力市場への参加とグリッド支援を可能にする。しかし、再生可能エネルギー発電、熱需要、電力市場価格における本質的な不確実性により、VPP の最適運用は複雑化する。従来のモデル予測制御（MPC）は、後退ホライズン構造を通じてある程度のロバスト性を提供するが、大規模でモデル化されていない擾乱に対しては性能が低下する可能性がある。ロバスト MPC（RMPC）は許容されるすべての擾乱に対して制約充足を保証するが、過度に保守的になりがちである。一方、確率論的 MPC（SMPC）は保守性を低減するが、実際にはめったに利用できない正確な確率論的知識に依存する。これらの変数の予測誤差は制御システムを通じて伝播し、非最適なスケジューリング、コスト増大、または制約違反を引き起こす可能性がある。

手法
本論文は、経済的性能と熱的快適性を最適化しつつ電力価格の不確実性に対処するために設計された、分布ロバストモデル予測制御（DR-MPC）フレームワークを提案する。

• 統合 VPP モデル: 著者は、住宅ビル（3R2C 熱力学アプローチでモデル化）、蓄電池、再生可能エネルギー発電（太陽光および風力）を統合した統一モデルを定式化する。システムは、再生可能エネルギー生産、ビル需要、蓄電池運用、およびグリッドとの交換を結びつける離散時間電力バランス制約の下で動作する。目的関数は、エネルギーコスト、熱的不快感、および蓄電池劣化コストを最小化する。
• データ駆動型予測: このフレームワークは、xLSTM アーキテクチャに基づく事前学習済みゼロショットモデルである時系列表現抽出器（TiREx）を利用する。TiREx は、電力価格、外気温度、日射量、風速に対する因果的な確率論的予測を生成する。具体的には、24 時間先までの条件付き分位点を出力する。
• 不確実性の定量化: シナリオベースの確率論的計画を使用するか、正確な分布を仮定する代わりに、本手法は予測された分位点から段階的な経験的予測分布を構築する。これらの分布は、時間変化するワッセルシュタイン曖昧集合の中心として機能する。
• DR-MPC 定式化: 制御問題は分布ロバスト最適化問題として再定式化される。重要なのは、段階コストが不確実な電力価格に関してアフィンである点である。このアフィン構造により、最悪ケースの期待コストの扱いやすい閉形式再定式化が可能となる。得られた定式化には、価格感度（純市場エクスポージャー）とワッセルシュタインボールの半径（$\epsilon$）に比例する補正項が含まれる。この半径は、分布シフトに対するロバスト性と期待収益との間のトレードオフを制御する。
• 実装: フレームワークは後退ホライズン方式で動作する。各時間ステップにおいて、コントローラーは現在の状態と構築された曖昧集合を用いて有限ホライズン（24 時間）の最適化問題を解き、最初の制御入力を適用し、ホライズンを前進させる。

主な貢献

1. DR 最適制御問題の定式化: 本論文は、電力価格の不確実性に対して明示的にロバスト化しつつ、経済的性能と熱的快適性を共同で最適化するリアルタイム VPP 制御問題を定式化する。
2. 時間変化する曖昧集合: 市場価格の経験的分位点予測に由来する時間変化するワッセルシュタイン曖昧集合を構築し、不確実性モデルが予測の分散に適応できるようにする。
3. 因果的予測との統合: TiREx 予測器からの因果的確率論的予測を用いて、これらの集合を後退ホライズン DR-MPC フレームワーク内に統合する。
4. 経験的検証: 実際の気象および市場データを用いた現実的な北欧のケーススタディで手法を検証し、標準的な予測ベース MPC に対して一貫した収益向上を示した。

結果
本フレームワークは、ノルウェー・オスロの実際のデータを用いて評価された。評価対象は、適度な気温と顕著な太陽光発電を特徴とする春期（4 月〜5 月）と、高い暖房需要と減少した日射量を特徴とする秋期（10 月）の 2 つの季節シナリオである。3 つの戦略が比較された。

• PF-MPC: 完全な将来知識を仮定する（上限）。
• FC-MPC: 不確実性マージンなしの TiREx 点予測を使用する（ベースライン）。
• DR-MPC: 分布ロバスト価格項を FC-MPC に追加した手法。

知見:

• 小半径による性能向上: 曖昧半径（$\epsilon$）が適切に選択された場合（小値）、DR-MPC は標準的な予測ベース MPC を一貫して上回った。
  • 春期シナリオでは、$\epsilon = 0.25$ が完全不確実性下で +0.82%、価格のみのケースで +0.78% の収益増をもたらした。
  • 秋期シナリオでは、$\epsilon = 0.5$ が最良の性能を示し、完全不確実性で +0.76%、価格のみで +0.57% の増益を達成した。
• 保守性のペナルティ: 大きな半径（例：$\epsilon = 2$）は過度に保守的となり、収益を大幅に減少させた（秋期シナリオでは最大 -7.77% の低下）。これは、利益のあるアービトラージを制限しないよう、適切な半径選択の重要性を浮き彫りにしている。
• 価格不確実性の支配性: 気象知識を完全とし価格不確実性のみを分離した実験により、この文脈において経済的リスクの主要な駆動力は価格不確実性であることが確認された。ただし、気象不確実性を除去することで絶対収益水準は向上した。

意義と主張
本論文は、提案された DR-MPC フレームワークが、不確実性を考慮した VPP 運用に対する標準 MPC の実用的かつ効果的な強化策であると主張する。時間変化するワッセルシュタイン集合を介して予測分布情報をリアルタイム意思決定に直接統合することで、本手法は正確な確率論的モデルを必要とすることなく、一貫した経済的便益（最大 0.8% の収益向上）を達成する。著者は、このアプローチが RMPC の保守性と SMPC のデータ依存性の間のギャップを埋めると強調している。

限界と将来の課題
著者は、経験的価格分布の段階的構築に関する限界を指摘している。曖昧集合が、周辺分位点予測から各予測ステップで独立して構築されるため、価格過程の時間的依存関係は明示的に捕捉されていない。これは、価格の結合分布が重要な、バッテリーの充放電スケジューリングなどの時間的アービトラージ決定に対する過度に保守的なロバスト化を招く可能性がある。

将来の課題として、価格軌道にわたる結合ワッセルシュタイン曖昧集合を構築することでこの点に対処することが提案されている。さらに、著者は VPP モデルを異質なポートフォリオに拡張し、再生可能エネルギー発電と熱需要の不確実性をサンプル平均近似やシナリオベース手法を通じて組み込み、季節や時刻に基づいてワッセルシュタイン半径を動的に選択するためのデータ駆動型メカニズムを開発することを提案している。