Stochastic Model Predictive Control of Charging Energy Hubs with Conformal Prediction

기술 요약: 컨포멀 예측(Conformal Prediction)을 적용한 충전 에너지 허브의 확률론적 모델 예측 제어(Stochastic Model MPC)

문제 정의
운송 부문의 급격한 전기화는 대규모 전기차(EV) 플릿을 관리할 수 있는 인프라를 필요로 합니다. 재생 에너지 발전(태양광), 배터리 에너지 저장 시스템(BESS), 그리드 연결을 통합하는 에너지 허브는 이러한 수요를 충족하는 데 매우 중요합니다. 그러나 이러한 허브를 비용 효율적으로 운영하는 것은 EV 충전 부하, 태양광 발전, 하루 전(day-ahead) 전력 가격에 내재된 불확실성으로 인해 매우 어렵습니다. 기존의 에너지 관리 시스템(EMS)은 종종 규칙 기반 방법, 휴리스틱 또는 특정 데이터 분포를 가정하거나 불확실성을 무시하는 결정론적 최적화에 의존하며, 이는 견고성과 최적성을 제한합니다.

방법론
저자들은 시나리오 기반의 확률론적 모델 예측 제어(Stochastic MPC) 프레임을 기반으로 한 온라인 에너지 관리 시스템을 제안합니다. 핵심 방법론은 세 가지 주요 구성 요소가 통합되어 있습니다.

1. 시스템 모델링: 에너지 허브는 그리드 전력($P_g$), BESS 전력($P_b$), 태양광 발전($P_{pv}$), EV 수요($P_{ev}$)의 균형을 맞추는 전력 흐름 시스템으로 모델링됩니다. BESS 동역학은 2차 원뿔 제약 조건(second-order cone constraints)으로 완화된 이차 손실 모델링을 포함합니다. 제어 목표는 전력 균형과 배터리 용량 제약 조건을 준수하면서 24시간 범위 동안 운영 비용(전기 구매/판매)을 최소화하는 것입니다.
2. 컨포멀 예측을 통한 확률적 예측: 데이터 분포 가정에 의존하지 않고 불확실성을 해결하기 위해 저자들은 머신러닝 파이프라인을 사용합니다.
   • 기본 모델: 그래디언트 부스팅 트리(Gradient-boosted trees)를 사용하여 24시간 앞선 EV 부하, 태양광 발전 및 전력 가격에 대한 점 예측(point forecasts)을 생성합니다.
   • 불확실성 정량화: 기본 모델에 컨포멀 예측(CP) 알고리즘, 특히 EnbPI(Ensemble of Prediction Intervals)를 적용합니다. 이를 통해 분포에 의존하지 않는 교정된 신뢰 구간(예측 구간)을 생성합니다.
   • 시나리오 생성: 특정 백분위수(예: 5th, 95th, 평균)를 선택하여 시나리오를 구축합니다. 이 시나리오들은 변수 간의 독립성을 가정하여 결합된 확률적 트리(stochastic tree)를 형성합니다.
3. 제어 전략: 논문은 두 가지 결정론적 벤치마크와 비교하여 두 가지 확률론적 MPC 변형을 평가합니다.
   • Stochastic MPC: 모든 생성된 시나리오에 대해 기대 비용을 동시에 최적화하며, 현재 타임 스텝 내의 시나리오들에 대해 제어 동작이 동일해야 한다는 비선행성(non-anticipativity) 제약을 적용합니다.
   • Recourse MPC: 미래 단계에 대한 비선행성 제약을 완화하여 시나리오 실현에 따른 조정을 허용하는 변형입니다.
   • 결정론적 벤치마크: 하나는 완벽한(전지적인) 예측을 사용하고, 다른 하나는 불확실성 정량화 없이 점 추정치만을 사용합니다.

주요 기여

• CP와 MPC의 통합: 본 논문은 최신 머신러닝 모델과 컨포멀 예측을 결 함께하여 EV 부하, PV 발전 및 전력 가격을 위한 확률적 예측 모듈을 도입했습니다. 이는 표준 EMS 구현에서 흔히 누락되는 기능인 교정된, 분포에 의존하지 않는 불확실성 구간을 제공합니다.
• 시나리오 기반 최적화: 저자들은 확률적 예측을 활용하여 배터리 (충/방전) 전략을 최적화하는 시나리오 기반 확률적 MPC 기법을 고안했습니다.
• 포괄적 평가: 제안된 확률적 접근 방식이 결정론적 대안 및 전지적 벤치마크와 비교하여 성능을 검증하기 위해 280일 동안 폐쇄 루프 시뮬레이션 환경에서 평가되었습니다.

결과
평가는 캘리포니아(EV 부하 및 PV)와 네덜란드(전력 가격 및 CO2 배출량)의 역사적 데이터를 사용하여 사계절에 걸쳐 수행되었습니다.

• 예측 성능: 그래디언트 부스팅 모델은 EV 부하와 PV 발전에 대해 낮은 정규화 평균 절대 오차(nMAE)를 달성했습니다. 그러나 전력 가격 예측은 가스 가격에 의한 시장 체제 변화로 인해 더 높은 오차와 낮은 예측 구간 커버리지를 보였습니다.
• 운영 비용: 전지적(Omniscient, 완벽한 예측) 구현과 비교했을 때, 제안된 Stochastic MPC의 운영 비용은 약 13% 높았습니다.
• 결정론적 제어와의 비교: Stochastic MPC는 점 예측을 사용하는 Deterministic MPC보다 운영 비용을 1% 절감함으로써 성능이 우수함을 입증했습니다.
• CO2 배출량: 확률적 접근 방식은 그리드 CO2 배출량에서도 약간의 감소(결정론적 버전 대비 0.3% 개선)를 가져왔습니다.
• 계산 효율성: Stochastic MPC의 계산 시간은 에피소드당 약 0.74분으로, 시스템의 시간 해상도($\Delta T = 15$분)보다 훨씬 낮아 실시간 구현 가능성을 확인했습니다.

의의 및 주장
저자들은 제안된 Stochastic 및 Recourse MPC가 특정 케이스 스터디에 대해 가장 우수한 전체 성능을 보이는 제어기이며, 모든 계절에 걸쳐 결정론적 대응 모델보다 일관되게 약간의 성능 향상을 제공한다고 주장합니다. 본 연구는 컨포멀 예측을 통해 교정된 분포 비의존적 불확실성 정량화를 MPC 프레임워크에 통합하는 것이 과도한 계산 비용을 들이지 않고도 비용 최적화 운영을 달erm할 수 있음을 보여줍니다.

논문은 점 추정 예측이 "수용 가능한 성능"을 제공한다는 점을 언급하면서도, 확률적 접근 방식이 비용과 배출량 측면에서 측정 가능한 이점을 제공한다고 겸허히 결론짓습니다. 또한 확률적 방법의 계산 오버헤드가 시스템의 시간 해상도에 비해 무시할 수 있는 수준임을 강조합니다. 저자들은 향후 연구가 여기서 사용된 집계된 접근 방식이 아닌, 개별 차량의 충전 전력 수준과 스케줄을 공동으로 최적화하는 데 집중할 것이라고 밝혔습니다.