Distributionally Robust Model Predictive Control for Virtual Power Plants

기술 요약: 가상 발전소를 위한 분포 강건 모델 예측 제어

문제 제기
가상 발전소 (VPP) 는 전력 시장 참여 및 그리드 지원을 위해 조정 가능 및 조정 불가능 전원, 주거용 건물, 그리고 배터리 저장 장치를 통합합니다. 그러나 재생 에너지 발전, 열 수요, 전력 시장 가격의 고유한 불확실성으로 인해 최적의 VPP 운영은 복잡해집니다. 전통적인 모델 예측 제어 (MPC) 는 회귀 지평선 구조를 통해 일부 강건성을 제공하지만, 대규모의 모델링되지 않은 교란 하에서는 성능 저하를 겪을 수 있습니다. 강건 MPC(RMPC) 는 모든 허용 가능한 교란에 대해 제약 조건 만족을 보장하지만 종종 지나치게 보수적이며, 확률론적 MPC(SMPC) 는 보수성을 줄이지만 실제에서 거의 이용 불가능한 정확한 확률론적 지식에 의존합니다. 이러한 변수들의 예측 오차는 제어 시스템을 통해 전파되어 비최적 스케줄링, 비용 증가, 또는 제약 조건 위반을 초래할 수 있습니다.

방법론
본 논문은 전력 가격 불확실성을 처리하면서 경제적 성과와 열적 쾌적함을 최적화하도록 설계된 분포 강건 모델 예측 제어 (DR-MPC) 프레임워크를 제안합니다.

• 통합 VPP 모델: 저자들은 주거용 건물 (3R2C 열역학 접근법으로 모델링), 배터리 저장 장치, 그리고 재생 에너지 발전 (태양광 및 풍력) 을 통합하는 통합 모델을 수립합니다. 시스템은 재생 에너지 생산, 건물 수요, 배터리 운영, 그리고 그리드 교환을 연결하는 이산 시간 전력 균형 제약 하에서 작동합니다. 목적 함수는 에너지 비용, 열적 불편함, 그리고 배터리 열화 비용을 최소화합니다.
• 데이터 기반 예측: 본 프레임워크는 xLSTM 아키텍처 기반의 사전 훈련된 제로샷 모델인 시계열 표현 추출기 (TiREx) 를 활용합니다. TiREx 는 전력 가격, 주변 온도, 일사량, 그리고 풍속에 대한 인과적 확률론적 예측을 생성합니다. 구체적으로, 이는 24 시간 지평선 내의 조건부 분위수를 출력합니다.
• 불확실성 정량화: 시나리오 기반 확률론적 프로그래밍을 사용하거나 정확한 분포를 가정하는 대신, 본 방법은 예측된 분위수로부터 단계별 경험적 예측 분포를 구축합니다. 이러한 분포는 시간에 따라 변하는 와asserstein 모호성 집합의 중심 역할을 합니다.
• DR-MPC 공식화: 제어 문제는 분포 강건 최적화 문제로 재형성됩니다. 결정적으로, 단계 비용은 불확실한 전력 가격에 대해 아핀 (affine) 입니다. 이 아핀 구조는 최악의 경우 기대 비용에 대한 계산 가능한 폐쇄형 재형성을 가능하게 합니다. 결과적인 공식화에는 가격 민감도 (순 시장 노출) 와 와asserstein 볼의 반경 ($\epsilon$) 에 비례하는 보정 항이 포함됩니다. 이 반경은 분포 변화에 대한 강건성과 기대 수익 간의 균형을 조절합니다.
• 구현: 본 프레임워크는 회귀 지평선 방식으로 작동합니다. 각 시간 단계에서 제어기는 현재 상태와 구축된 모호성 집합을 사용하여 유한 지평선 최적화 문제 (24 시간) 를 해결하고, 첫 번째 제어 입력을 적용한 후 지평선을 전진시킵니다.

주요 기여

1. DR 최적 제어 문제의 공식화: 본 논문은 전력 가격 불확실성에 대해 명시적으로 강건성을 부여하면서 경제적 성과와 열적 쾌적함을 공동으로 최적화하는 실시간 VPP 제어 문제를 공식화합니다.
2. 시간 가변 모호성 집합: 시장 가격의 경험적 분위수 예측에서 유도된 시간 가변 와asserstein 모호성 집합을 구축하여, 불확실성 모델이 예측 분산에 적응하도록 합니다.
3. 인과적 예측과의 통합: 이 접근법은 TiREx 예측기로부터의 인과적 확률론적 예측을 사용하여 이러한 집합을 회귀 지평선 DR-MPC 프레임워크 내에 통합합니다.
4. 실증 검증: 본 방법은 실제 기상 및 시장 데이터를 사용한 현실적인 북유럽 사례 연구에서 검증되었으며, 표준 예측 기반 MPC 대비 일관된 수익 개선을 입증했습니다.

결과
본 프레임워크는 노르웨이 오슬로의 실제 데이터를 사용하여 두 가지 계절적 시나리오에서 평가되었습니다: 온화한 온도와 상당한 태양광 발전이 있는 봄 기간 (4 월~5 월) 과 더 높은 난방 수요와 감소된 일사량이 있는 가을 기간 (10 월) 입니다. 세 가지 전략이 비교되었습니다:

• PF-MPC: 완벽한 미래 지식을 가정 (상한선).
• FC-MPC: 강건성 마진 없이 TiREx 점 예측을 사용 (기준선).
• DR-MPC: 분포 강건 가격 항으로 FC-MPC 를 보강.

결과 분석:

• 작은 반경이 성능을 향상시킴: 모호성 반경 ($\epsilon$) 이 적절하게 선택될 때 (작은 값), DR-MPC 는 표준 예측 기반 MPC 를 일관되게 능가합니다.
  • 봄 시나리오에서 $\epsilon = 0.25$는 완전 불확실성 하에서 **+0.82%**의 수익 증가와 가격 전용 사례에서 **+0.78%**의 증가를 달성했습니다.
  • 가을 시나리오에서 $\epsilon = 0.5$가 가장 잘 수행되어, 완전 불확실성에서 +0.76%, 가격 전용에서 **+0.57%**의 증가를 달성했습니다.
• 보수성 페널티: 더 큰 반경 (예: $\epsilon = 2$) 은 지나치게 보수적이 되어 수익을 크게 감소시켰습니다 (가을 시나리오에서 최대 -7.77% 감소). 이는 수익성 있는 차익 거래를 제한하지 않도록 적절한 반경 선택의 중요성을 강조합니다.
• 가격 불확실성의 우세: 가격 불확실성만 분리한 실험 (완벽한 기상 지식) 은 이 맥락에서 가격 불확실성이 경제적 위험의 주요 동인임을 확인시켰으나, 기상 불확실성을 제거하면 절대 수익 수준은 증가했습니다.

의의 및 주장
본 논문은 제안된 DR-MPC 프레임워크가 불확실성 인식 VPP 운영을 위한 표준 MPC 에 실용적이고 효과적인 향상책을 제공한다고 주장합니다. 시간에 따라 변하는 와asserstein 집합을 통해 예측 분포 정보를 실시간 의사결정에 직접 통합함으로써, 이 방법은 정확한 확률론적 모델을 요구하지 않으면서 일관된 경제적 이익 (최대 0.8% 수익 향상) 을 달성합니다. 저자들은 이 접근법이 RMPC 의 보수성과 SMPC 의 데이터 의존성 사이의 간극을 메운다고 강조합니다.

한계 및 향후 과제
저자들은 경험적 가격 분포의 단계별 구축과 관련된 한계를 지적합니다. 모호성 집합이 주변 분위수 예측으로부터 각 예측 단계에서 독립적으로 구축되기 때문에, 가격 과정의 시간적 종속성은 명시적으로 포착되지 않습니다. 이는 가격의 결합 분포가 중요한 배터리 충전/방전 스케줄링과 같은 시간 간격 차익 거래 결정에 대해 지나치게 보수적인 강건화를 초래할 수 있습니다.

향후 연구는 가격 궤적에 대한 결합 와asserstein 모호성 집합을 구축함으로써 이를 해결할 것을 제안합니다. 또한, 저자들은 VPP 모델을 이질적 포트폴리오로 확장하고, 표본 평균 근사 또는 시나리오 기반 방법을 통해 재생 에너지 발전 및 열 수요의 불확실성을 통합하며, 계절이나 시간에 따라 와asserstein 반경을 동적으로 선택하기 위한 데이터 기반 메커니즘을 개발할 것을 제안합니다.